阅读说明：本技术 信息处理装置、信息处理方法和程序 (Information processing apparatus, information processing method, and program ) 是由 伊神徹 于 2018-04-04 设计创作，主要内容包括：[问题]提供了能够在测量自由移动的用户的心率或脉搏中的波动中形成测量的最佳状态的信息处理装置、信息处理方法和程序。[解决方案]提供了一种信息处理装置,包括：可靠性计算单元,用于计算指示从由用户穿戴的脉搏波传感器获取的感测数据获取的脉搏中的波动的身体指数的可靠性,或者从脉搏中的波动计算用户的物理状态；以及控制单元,基于计算出的可靠性控制各种处理。([ problem ] to provide an information processing device, an information processing method, and a program capable of forming an optimal state of measurement in measuring the fluctuation in the heart rate or pulse of a freely moving user. [ solution ] Provided is an information processing apparatus including: a reliability calculation unit for calculating reliability of a body index indicating fluctuation in a pulse wave acquired from sensing data acquired by a pulse wave sensor worn by a user, or calculating a physical state of the user from the fluctuation in the pulse wave; and a control unit that controls various processes based on the calculated reliability.)

信息处理装置、信息处理方法和程序

技术领域

本公开涉及信息处理设备、信息处理方法和程序。

背景技术

已知的是当评估心理应激程度和评估***功能时使用基于心率变化的HRV(心率变化)指数。例如，HRV指数可从通过使用心电图(ECG)计算出的心率间隔(还被称为R-R间隔(RRI))获取，该ECG是通过将电极等附接至用户的用于测量的身体部位而获得的。还可从由与心率变化高度相关的脉搏率变化计算出的脉搏率间隔(PPI)获取HRV指数。在以下专利文献1至3中公开了获取这种RRI等的设备。

引用列表

专利文献

专利文献1：日本未经审查的专利申请公开号H7-284482

专利文献2：日本未经审查的专利申请公开号2010-162282

专利文献3：日本未经审查的专利申请公开号2009-261419

发明内容

本发明待解决的问题

近年来，检测心率变化和脉搏率变化的传感器等已经小型化，其允许用户可以穿戴传感器并且持续测量心率变化和脉搏率变化。因此，甚至在用户诸如进行白天动作(自由地走动)的自由活动的情况下也执行测量，并且当测量心率变化或脉搏率变化时，有时用户不用处于静止状态或者不用保持相同姿势。换言之，心率变化和脉搏率变化的测量不一定处于优选的状态。在这种状态下测量的心率变化和脉搏率变化可包括例如由用户的动作所引起的噪音。这有时使得测量的心率变化和脉搏率变化的可靠性、基于测量的心率变化和脉搏率变化计算出的HRV指数的可靠性等更低。然而，即使是有关能够自由走动的用户的HRV指数等，也需要是具有高可靠性的指数。

因此，本公开提出了可以使自由走动的用户的心率变化或脉搏率变化的测量可以实现优选状态的新的且改善的信息处理设备、信息处理方法和程序。

解决问题的方式

根据本公开，提供了一种信息处理设备，包括：可靠度计算部，计算脉动变化数据或身体指数的可靠度；以及控制单元，基于计算出的可靠度来控制各种类型的处理。从由用户穿戴的脉搏波传感器获取的感测数据获取脉动变化数据。从脉动变化数据计算出身体指数，它指示用户的物理状态。

此外，根据本公开，提供了一种信息处理方法，包括：计算脉动变化数据或身体指数的可靠度；并且基于计算出的可靠度来控制各种类型的处理。从由用户穿戴的脉搏波传感器获取的感测数据获取脉动变化数据。从脉动变化数据计算出身体指数，它指示用户的物理状态。

进一步地，根据本公开，提供了一种使得计算机实现以下功能的程序：计算脉动变化数据或身体指数的可靠度的功能；并且基于计算出的可靠度来控制各种类型的处理的功能。从由用户穿戴的脉搏波传感器获取的感测数据获取脉动变化数据。从脉动变化数据计算出身体指数并且指示用户的物理状态。

本发明的效果

如上所述，根据本公开，可以提供使自由走动的用户的心率变化或脉搏率变化的测量可以实现优选状态的信息处理设备、信息处理方法和程序。

应注意，上述效果不必是限制性的。除了上述效果或者代替上述效果可以实现在该描述中指示的任何效果或者可以从该描述理解的其他效果。

附图说明

[图1]是描述了根据本公开的实施方式的信息处理系统1的配置实例的说明性示图。

[图2]是示出了根据实施方式的可穿戴装置10的配置的框图。

[图3]是描述了根据实施方式的PPG传感器部122的说明性示图。

[图4]是示出了通过根据实施方式的PPG传感器部122获取的脉搏波信号的实例的说明性示图。

[图5]是示出了通过根据实施方式的PPG传感器部122获取的PPI的时间序列数据的实例的说明性示图。

[图6]是示出了穿戴根据实施方式的可穿戴装置10的实例的说明性示图。

[图7]是示出了根据实施方式的服务器30的配置的框图。

[图8]是示出了根据实施方式的控制单元330的配置的框图。

[图9]是示出了根据实施方式的数据流的说明性示图。

[图10]是示出了根据实施方式的异常值的分类表达模式的实例的说明性示图(部分1)。

[图11]是示出了根据实施方式的异常值的分类表达模式的实例的说明性示图(部分2)。

[图12]是描述了根据实施方式的第一方法的异常值的校正的说明性示图。

[图13]是描述了根据实施方式的第二方法的异常值的校正的说明性示图(部分1)。

[图14]是描述了根据实施方式的第二方法的异常值的校正的说明性示图(部分2)。

[图15]是描述了根据实施方式的第二方法的异常值的校正的说明性示图(部分3)。

[图16]是描述了根据实施方式的第二方法的异常值的校正的说明性示图(部分4)。

[图17]是描述了根据实施方式的第二方法的异常值的校正的说明性示图(部分5)。

[图18]是描述了根据实施方式的第二方法的异常值的校正的说明性示图(部分6)。

[图19]是描述了根据实施方式的第二方法的异常值的校正的说明性示图(部分7)。

[图20]是描述了根据实施方式的第二方法的异常值的校正的说明性示图(部分8)。

[图21]是描述了根据实施方式的第二方法的可靠度的计算的说明性示图。

[图22]是描述了根据实施方式的第三方法的可靠度的计算的说明性示图。

[图23]是描述了根据实施方式的第四方法的可靠度的计算的说明性示图。

[图24]是描述了根据实施方式的第一方法的可靠度的输出的说明性示图(部分1)。

[图25]是描述了根据实施方式的第一方法的可靠度的输出的说明性示图(部分2)。

[图26]是描述了根据实施方式的信息处理设备900的硬件配置的实例的说明性示图。

具体实施方式

以下参考附图详细描述了本公开的优选实施方式。应注意，在该描述和附图中，由相同的参考符号表示具有基本上相同的功能配置的部件，并且因此省去其冗余描述。

此外，在该描述和附图中，具有基本上相同或类似的功能配置的多个部件有时通过在相同的参考标号后面附加不同的数字进行彼此区别。然而，当不必具体区分具有基本上相同或类似的功能配置的多个部件时，仅附加相同的参考符号。此外，不同的实施方式的类似部件有时通过将不同的字母附加至相同的参考标号进行区分。然而，当不必具体彼此区分类似部件时，仅附加相同的参考符号。

应注意，按照以下顺序进行描述。

1.根据本实施方式的信息处理系统1的概述

1.1信息处理系统1的概述

1.2可穿戴装置10的配置

1.3根据本实施方式的服务器30的配置

2.根据本公开的实施方式的生成背景

3.根据本实施方式的控制单元330的详细配置

4.根据本实施方式的信息处理方法

4.1异常值的检测

4.2相关参数

4.3异常值的校正

4.4可靠度的计算

4.5可靠度的输出

5.结论

6.有关硬件配置

7.补充

<<1.根据本实施方式的信息处理系统1的概述>>

<1.1信息处理系统1的概述>

接下来，描述根据本公开的实施方式的配置。首先，参考图1描述根据本公开的实施方式的配置。图1是描述了根据本实施方式的信息处理系统1的配置实例的说明性示图。

如图1所示，根据本实施方式的信息处理系统1包括可穿戴装置10、服务器30和用户终端50，它们经由网络70彼此耦接以使得能够通信。具体地，可穿戴装置10、服务器30和用户终端(输出单元)50经由未示出的基站等(例如，移动电话的基站、无线LAN的接入点等)耦接至网络70。应注意，作为在网络70中使用的通信方案，诸如有线或无线方案(例如，WiFi(注册商标)、蓝牙(注册商标)等)的任何方案是可适用的，但是优选的是使用允许保持稳定操作的通信方案。

(可穿戴装置10)

可穿戴装置10能够是可穿戴在用户的身体的一部分(诸如，耳垂、脖子、手臂、手腕或脚踝)上的装置、或者***用户的身体中的植入式装置(植入式终端)。更具体地，可以采用HMD(头戴式显示器)型、耳部装置型、脚链型、手镯型、项圈型、眼镜型、平板型、批次型(batch type)、衣物型等各种可穿戴装置作为可穿戴装置10。进一步地，可穿戴装置10具有安装在其中的传感器，例如，从用户的脉冲检测脉搏波信号(脉动变化数据)的PPG(光电容积脉搏波扫描法)传感器部(脉搏波传感器)122以及从用户的运动检测运动状态的运动传感器部124(参见图2)。应注意，以下描述可穿戴装置10的细节。

应注意，下面假设可穿戴装置10设置有PPG传感器部122(参见图2)。然而，在本实施方式中，代替PPG传感器部122，可提供经由附着于用户的身体的电极(未示出)检测用户的心电图的ECG(心电图)传感器(未示出)。换言之，在以下描述的实施方式中，可以通过使用可从脉搏波信号获取的脉搏率间隔(PPI)或者可从心电图获取且表示心脏的脉动间隔的R-R间隔(RRI)计算HRV(心率变化)指数。HRV(心率变化)指数是指示用户的身体的状态的身体指数。

(服务器30)

例如，服务器30包括计算机等。服务器30处理通过可穿戴装置10获取的信息，并且将通过该处理获取的信息发送至另一装置(例如，用户终端50)。应注意，以下描述服务器30的细节。

(用户终端50)

用户终端50是用于将根据本实施方式提供的信息(例如，PPI的时间序列数据、HRV指数、以下要描述的可靠度等)呈现给用户的终端。例如，用户终端50能够是平板PC(个人计算机)、智能电话、移动电话、膝上型PC、笔记本PC、HMD等。

应注意，图1示出了根据本实施方式的信息处理系统1包括一个可穿戴装置10和用户终端50，但是本实施方式不限于此。例如，根据本实施方式的信息处理系统1可包括多个可穿戴装置10和用户终端50。进一步地，例如，根据本实施方式的信息处理系统1可包括在将信息从可穿戴装置10传输至服务器30中用作中继装置的另一个通信装置等。此外，在本实施方式中，可穿戴装置10可以用作独立装置。在这种情况下，在可穿戴装置10中执行服务器30和用户终端50的至少一部分功能。

<1.2可穿戴装置10的配置>

接下来，参考图2至图6描述根据本公开的实施方式的可穿戴装置10的配置。图2是示出了根据本实施方式的可穿戴装置10的配置的框图。图3是描述了根据本实施方式的PPG传感器部122的说明性示图。图4是示出了通过根据本实施方式的PPG传感器部122获取的脉搏波信号的实例的说明性示图。图5是示出了通过根据本实施方式的PPG传感器部122获取的PPI的时间序列数据的实例的说明性示图。图6是示出了穿戴根据本实施方式的可穿戴装置10的实例的说明性示图。

如图2所示，可穿戴装置10主要包括输入单元100、输出单元110、传感器单元120、控制单元130、通信单元140和存储单元150。下面详细描述可穿戴装置10的各个功能单元。

(输入单元100)

输入单元100接收输入至可穿戴装置10的数据或命令。更具体地，输入单元100通过触摸板、按钮、麦克风、驱动器等实现。

(输出单元110)

输出单元110是用于将信息呈现给用户的装置，并且将各种类型的信息例如作为图像、声音、光、振动等输出至用户。输出单元110通过显示器、扬声器、耳机、发光元件(例如，发光二极管(LED))、振动模块等实现。应注意，可以通过以下描述的用户终端50提供输出单元110的功能。

(传感器单元120)

传感器单元120设置在用户的身体上穿戴的可穿戴装置10中，并且包括检测用户的脉搏波信号的PPG传感器部122。此外，传感器单元120可包括用于检测用户的运动状态的运动传感器部124。下面描述包括在传感器单元120中的PPG传感器部122和运动传感器部124。

-PPG传感器部122-

PPG传感器部122穿戴在用户的身体的一部分上，诸如皮肤(例如，耳垂、脖子、双臂、手腕、脚踝等)，以检测用户的脉搏波信号。在此，脉搏波信号是由于动脉的内壁上的压力变化导致的出现在身体表面等上的动脉的脉动的波形。该变化是因为心脏的肌肉以不变的节奏(脉动，并且应注意单位时间内的心脏脉冲的次数被称为心率)收缩而使血液通过动脉发送至整个身体造成的。为了获取脉搏波信号，PPG传感器部122利用如图3所示的光照射诸如用户的手、手臂、脖子或腿的测量部位200中的血管202，并且检测在用户的血管中移动的物质或者通过保持静止的活体组织散射的光。照射的光被血管202中的红细胞吸收。因此，吸收光的量与流到测量部位200中的血管202中的血液的量成比例。因此，检测散射光的强度允许知道流动血液的量的变化。进一步地，血流的量的变化允许检测导致血流的量改变的动脉的脉动的波形。换言之，血流的量的变化允许检测脉搏波信号。应注意，这种方法被称为光电容积描记术(PPG)方法。

具体地，PPG传感器部122具有安装在其中的小激光器(未示出)。小激光器能够辐射相干光。例如，PPG传感器部122辐射具有约850nm的预定波长的光。应注意，在本实施方式中，可以视情况选择通过PPG传感器部122辐射的光的波长。进一步地，例如，PPG传感器部122具有安装在其中的光电二极管(光电检测器：PD)，并且将检测光的强度转换为电信号，从而获取脉搏波信号。应注意，PPG传感器部122可具有代替PD安装在其中的CCD(电荷耦合器件)传感器、CMOS(互补金属氧化物半导体)传感器等。此外，如上所述的一个或多个PD等可以设置在PPG传感器部122中。

应注意，本实施方式不限于使用上述PPG方法获取脉搏波信号，而是可以以另一种方法获取脉搏波信号。例如，在本实施方式中，可以以激光多普勒法获取脉搏波信号。激光多普勒法是当用户的测量部位200用激光照射时，使用由于血流的多普勒效应通过在用户的血管202中移动的散射物质(主要是红细胞)散射的光导致的频率偏移的方法。此外，在本实施方式中，可以通过使用动态光散射(DLS)方法检测脉搏波信号。DLS方法是当激光类似地辐射至以上部位时使用由于多普勒效应由在血管202中移动的散射物质散射的光导致的干扰光的方法。

然后，PPG传感器部122能够检测脉搏波信号作为具有如图4所示的多个峰值的时间序列数据。在此，如参考图4所描述的，出现在脉搏波信号中的多个峰值之间的峰值间隔被称为脉搏率间隔(PPI)。可以通过处理由PPG传感器部122检测到的脉搏波信号获取PPI。图5示出了以此方式获取的PPI的时间序列数据的实例。尽管如图5所示的每个PPI的值随时间改变，但是已知的是，在用户的状态稳定的情况下，PPI基本上是正态分布。处理如图5所示的时间序列数据或者PPI值的数据组使得能够计算用作用户的物理状态的指数的各种HRV(心率变化)指数。应注意，以下描述各种HRV指数的细节。

-运动传感器部124-

运动传感器部124检测由用户的动作引起的加速度的变化，并且检测用户的状态。基于检测出的用户的状态作为指示是否适当测量此时的脉搏波信号的指数来计算可靠度。应注意，以下将描述可靠度的细节。例如，运动传感器部124包括加速度传感器、陀螺仪传感器、地磁传感器等。

此外，运动传感器部124可以是通过使用成像元件和诸如控制在成像装置上形成主图像的透镜的各种构件拍摄用户的成像装置(未示出)。在这种情况下，通过上述成像装置拍摄的图像捕获用户的动作等。进一步地，运动传感器部124可包括能够识别用户的动作的红外传感器、超声波传感器等(未示出)。应注意，这种成像装置、红外传感器等可以作为与可穿戴装置10不同的装置安装在用户周围。

进一步地，运动传感器部124可包括定位传感器(未示出)。定位传感器是检测穿戴可穿戴装置10的用户的位置的传感器。具体地，定位传感器能够是GNSS(全球导航卫星系统)接收器等。在这种情况下，定位传感器能够基于来自GNSS卫星的信号产生指示用户的当前位置的纬度/经度的感测数据，并且从感测数据的变化检测用户的动作(运动)。例如，可以检测用户与RFID(射频标识)的相对位置关系、Wi-Fi的接入点、无线基站的信息等。因此，还可以使用这种通信装置作为上述定位传感器。

进一步地，传感器单元120可包括各种生物传感器(未示出)。生物传感器是检测指示用户的状态的生物信息的传感器。例如，生物传感器包括一个或多个传感器，其直接或间接穿戴在用户的身体的一部分上，并且测量用户的脑电波、呼吸、排汗、肌电位、皮肤温度、皮肤电阻等。此外，传感器单元120可包括其他各种传感器，诸如，压力传感器部14(参见图23)。进一步地，传感器单元120可具有用于掌握精确时间的安装在其中的钟表机构(未示出)，并且使获取的脉搏波信号等与获取脉搏波信号等的时间相关联。应注意，在本实施方式中，作为传感器单元120的两个传感器的PPG传感器部122和运动传感器部124可以提供至不同的可穿戴装置10。通过这样做，可以使每个可穿戴装置10的配置紧凑。这就使得每个可穿戴装置10穿戴在用户的身体的各个部分上。

(控制单元130)

控制单元130设置在可穿戴装置10中，并且能够控制可穿戴装置10的每块并且从上述PPG传感器部122输出的脉搏波信号获取PPI的时间序列数据。例如，控制单元130通过诸如CPU(中央处理器)、ROM(只读存储器)和RAM(随机存取存储器)的硬件实现。应注意，控制单元130的功能可以由服务器30或以下描述的用户终端50提供。

(通信单元140)

通信单元140设置在可穿戴装置10中，并且能够将信息传输至诸如服务器30或用户终端50的外部装置和从该外部装置接收信息。换言之，可以将通信单元140当作具有发送和接收数据功能的通信接口。应注意，通信单元140通过诸如通信天线、传输/接收电路或端口的通信装置实现。

(存储单元150)

存储单元150设置在可穿戴装置10中，并且存储用于上述控制单元130的程序、信息等以执行各种类型的处理以及通过该获取的信息。应注意，例如，存储单元150通过诸如闪速存储器的非易失性存储器实现。

如上所述，可以采用眼镜型、耳朵装置型、手链型、HMD型等各种可穿戴装置作为可穿戴装置10。图6示出了可穿戴装置10的外观的实例。图6中示出的可穿戴装置10是穿戴在用户的手腕上的腕表型可穿戴装置。<1.3根据本实施方式的服务器30的配置>

接下来，参考图7描述根据本公开的实施方式的服务器30的配置。图7是示出了根据本实施方式的服务器30的配置的框图。如上所述，例如，服务器30包括计算机等。如图7所示，服务器30主要包括输入单元300、输出单元310、控制单元330、通信单元340和存储单元350。下面详细描述服务器30的各个功能单元。

(输入单元300)

输入单元300接收输入至服务器30的数据或命令。更具体地，通过触摸板、键盘等实现输入单元300。

(输出单元310)

例如，输出单元310包括显示器、扬声器、视频输出终端、音频输出终端等，并且输出各种类型的信息作为图像、声音等。

(控制单元330)

控制单元330设置在服务器30中，并且能够控制每组服务器30。具体地，控制单元330控制诸如从脉搏波信号(脉动变化数据)检测异常值的检测处理、校正脉搏波信号的校正处理和从脉搏波信号计算HRV指数(身体指数)的计算处理的各种类型的处理。检测处理、校正处理和计算处理在服务器30中执行。例如，控制单元330通过诸如CPU、ROM和RAM的硬件实现。应注意，控制单元330可以执行可穿戴装置10的控制单元130的一部分功能。此外，以下描述控制单元330的细节。

(通信单元340)

通信单元340设置在服务器30中，并且能够将信息传输至诸如可穿戴装置10或用户终端50的外部装置和从该外部装置接收信息。应注意，通信单元340通过诸如通信天线、传输/接收电路或端口的通信装置实现。

(存储单元350)

存储单元350设置在服务器30中，并且存储用于上述控制单元330的程序等以执行各种类型的处理、以及通过该处理获取的信息。更具体地，存储单元350能够存储从由多个用户穿戴的可穿戴装置10获取的包括PPI等的时间序列数据的数据库(DB)352(参见图8)等。应注意，例如，存储单元350通过诸如硬盘(HD)、非易失性存储器等的磁记录介质实现。<<2.根据本公开的实施方式的技术背景>>

以上描述了根据本公开的实施方式的信息处理系统1的概述、以及包括在信息处理系统1中的可穿戴装置10和服务器30。接下来，在描述根据本公开的实施方式的细节之前，描述根据本公开的实施方式的技术背景。

如上所述，在评估心理应激程度和评估***功能中使用的HRV指数可从例如基于心率变化(心电图)计算出的RRI获取。进一步地，HRV指数可从由与心率变化高度相关的脉搏率变化计算出的PPI获取。这种心率变化和脉搏率变化不仅受到用户的自主神经系统的变化的影响，而且受到用户的物理状态的变化的影响。因此，理想的是用户处于静止状态并且在测量时保持相同姿势。

顺便提及，近年来，检测心率变化和脉搏率变化的传感器等已经小型化，其允许用户穿戴传感器并且持续测量心率变化和脉搏率变化。因此，甚至在用户诸如进行白天动作(自由地走动)的自由活动的情况下也执行测量，并且当测量心率变化或脉搏率变化时，用户不用处于静止状态或者不用保持相同姿势。例如。在这种状态下测量的心率变化和脉搏率变化可包括由用户的动作所引起的噪音。这有时使得测量的心率变化和脉搏率变化的可靠性、基于测量的心率变化和脉搏率变化计算出的HRV指数的可靠性等较低。

因此，鉴于上述情况，本发明人设想了计算测量心率变化和脉搏率变化的可靠度，将计算出的可靠度连同HRV指数呈现给用户，并且将用户的状态引导至测量的理想状态。例如，在将低可靠度从根据本公开的实施方式的信息处理系统1呈现给用户的情况下，引导用户静止和保持相同姿势的动作以提高可靠度。因此，用户的状态更接近测量的理想状态。这就使得用户的心率变化或脉搏率变化的测量转变为优选状态。进一步地，本发明人还设想了将计算出的可靠度反馈至上述信息处理系统1的控制，从而优选地控制信息处理系统1，诸如，精确地计算HRV指数并且抑制电池消耗的量。

换言之，在以下描述的本公开中，提出了使得可以将自由地走动的用户的心率变化或脉搏率变化的测量能够成为优选状态的信息处理设备、信息处理方法和程序。

此外，心率变化和脉搏率变化的数据(脉搏波信号)有时包括由于例如“用户的身体动作”、“身体特征”、“测量装置噪音”、“测量算法错误”等导致的异常值(噪音)。通过使用包括这种异常值的心率变化和脉搏率变化数据的数据计算HRV指数有时使得HRV指数偏离应该计算的正确的正常HRV指数。因此，当计算HRV指数时，必须解决上述异常值以防止HRV指数偏离应该计算的正确的正常HRV指数。

因此，鉴于上述情况，本发明人设想了从心率变化和脉搏率变化的数据精确地检测异常值(噪音)，并且基于检测出的异常值校正心率变化和脉搏率变化的数据。通过这样做，可以防止要计算的HRV指数偏离应该计算的正确的正常HRV指数。换言之，以下描述的本公开提出了使得能够增加基于通过测量心率变化或脉搏率变化获得的数据计算出的HRV指数的精确性的信息处理设备、信息处理方法和程序。以下随后详细描述本公开的这种实施方式。

<<3.根据本实施方式的控制单元330的详细配置>>

下面参考图8描述根据本实施方式的控制单元330的配置。图8是示出了根据本实施方式的控制单元330的配置的框图。如图8所示，控制单元330主要包括检测部332、检测校正控制部334、校正部336、可靠度计算部338和HRV指数计算部342。下面详细描述控制单元330的各个功能部。

(检测部332)

检测部332从PPI的时间序列数据检测异常值。在此，异常值是指由于诸如外部影响的噪音导致的大大偏离PPI的时间序列数据或PPI值的数据组中的统计观点的值。此外，检测部332在PPI的时间序列数据中生成估计为异常值的PPI值分配了标记的数据串，并且将该数据串输出至以下描述的校正部336。该标记指示异常值。例如，检测部332将“1”分配给估计为异常值的PPI值，并且将“0”分配给估计为正常值的PPI值。应注意，以下详细描述通过检测部332检测异常值。

(检测校正控制部334)

检测校正控制部334校正用于通过上述检测部332检测异常值的各种参数。例如，检测校正控制部334计算从过去测量的用户的脉搏波信号获取的PPI值的数据组计算平均值或标准差，并且基于计算出的平均值等更新上述各种参数。通过这样做，可以通过使用各个用户优选的参数检测异常值。这使得能够增加检测异常值的精确性。应注意，可以定期执行上述通过检测校正控制部334更新参数，或者可以当用户选择执行更新时执行。此外，通过预先进行实验和观察确定的固定值可以用作上述参数。在这种情况下，检测校正控制部334不会更新参数。此外，以下描述提供检测校正控制部334更新各种参数的细节。

(校正部336)

校正部336对被分配异常性标记的PPI的时间序列数据执行校正处理，诸如，***或移除异常值。从检测部332获取PPI的时间序列数据。根据通过以下描述的HRV指数计算部342计算出的HRV指数的类型可选择通过校正部336执行的校正处理的内容。此外，校正部336可以根据上述异常值的表达选择校正处理的内容。通过校正部336校正的PPI的时间序列数据被输出至以下描述的HRV指数计算部342。应注意，以下描述通过校正部336的校正处理的细节。

(可靠度计算部338)

可靠度计算部338在测量时从用户的状态是否适合于脉搏波信号的测量的视角计算从脉搏波信号获取的PPI的时间序列数据的可靠度或者从PPI的时间序列数据获取的HRV指数。通常，在为评估心理应激程度和评估***功能而计算HRV指数的情况下，理想的是认为用户在测量脉搏波信号时处于静止状态并且保持相同姿势。脉搏波信号用作HRV指数的基本数据。这是因为要测量的脉搏波信号不仅受到用户的自主神经系统的变化的影响，而且还受到用户的物理状态的变化的影响。因此，如果在测量脉搏波信号时用户处于静止状态并且保持相同姿势，则PPI的时间序列数据和HRV指数的可靠度变高。随着测量时用户的状态更加偏离上述理想状态，上述可靠度变得更低。因此，可靠度计算部338例如基于包括在可穿戴装置10中的运动传感器部124的加速度数据在测量脉搏波信号时检测用户的状态，并且基于检测结果计算可靠度。例如，通过可靠度计算部338以此方式计算出的可靠度被输出至用户终端50等，从而呈现给用户。可替换地，可靠度输出至可穿戴装置10并且用于控制可穿戴装置10。进一步地，可靠度输出至服务器30的另一个功能单元(例如，以下描述的HRV指数计算部342)，并且用于控制另一个功能单元中的处理。应注意，上述可靠度在测量脉搏波信号时还受到PPG传感器部122的穿戴状态的影响。这使得能够基于上述穿戴状态进行计算。以下描述计算可靠度计算部338中的可靠度的细节。

(HRV指数计算部342)

HRV指数计算部342通过使用通过校正部336校正的PPI的时间序列数据计算各种HRV指数。例如，HRV指数计算部342计算RMSSD(均方根差值)、SDNN(正常心跳间隔的标准差)、LF/HF等作为HRV指数。此外，进一步处理这些计算出的HRV指数。这就使得进一步处理的HRV指数用于评估用户的睡眠状态，评估用户的心理应激程度，评估用户的放松度，评估用户的集中度等。例如，通过HRV指数计算部342以此方式计算出的HRV指数等被输出至用户终端50等，并且呈现给用户。

例如，RMSSD是时间序列中的彼此相邻的PPI值之间的差值的平方的平均值的平方根。RMSSD被认为是指示作为脑神经中的一个的交感神经的紧张状态的指数。

例如，SDNN是预定周期(例如，12秒)内的PPI值的数据组的标准差。SDNN被认为是指示包括交感神经和副交感神经这两者的自主神经系统的活动状态的指数。

例如，LF/HF是PPI的时间序列数据的低频分量(例如，0.004至0.15Hz)的功率频谱与高频分量(0.15至0.4Hz)的功率频谱的比值。LF/HF被认为是指示交感神经和副交感神经之间的平衡的指数。高LF/HF被认为指示交感神经是主要的状态，并且低LF/HF被认为指示副交感神经是主要的状态。

<<4.根据本实施方式的信息处理方法>>

以上描述了根据本实施方式的控制单元330的详细配置。接下来，参考图9描述根据本实施方式的信息处理方法的概述。图9是示出了根据本实施方式的数据流的说明性示图。

如图9所示，通过可穿戴装置10的控制单元130(或者可以使用服务器30的控制单元330)处理提供至可穿戴装置10的通过PPG传感器部122检测出的脉搏波信号，并且获取PPI的时间序列数据。此外，由服务器30的检测部332处理PPI的时间序列数据，并且检测包括在PPI的时间序列数据中的异常值(异常值的检测)。然后，校正部336基于检测出的异常值来校正PPI的时间序列数据，并且将其异常值已经校准的PPI的时间序列数据输出至HRV指数计算部342(异常值的校正)。此时，服务器30的可靠度计算部338通过使用包括在可穿戴装置10中的运动传感器部124的加速度数据等来计算可靠度(可靠度的计算)。此外，HRV指数计算部342基于其异常值已经校正的PPI的时间序列数据计算HRV指数，并且将计算出的HRV指数连同可靠度输出至用户终端50等(可靠度的输出)。下面描述根据本实施方式的信息处理方法的每个阶段的处理的细节。

<4.1异常值的检测>

在以下描述的根据本实施方式的异常值的检测中，从获取的PPI的时间序列数据提取预定长度周期中的连续的PPI值，并且通过将提取的PPI的时间序列数据与分类的异常值的表达模式进行比较来检测异常值。换言之，根据本实施方式，不确定包括在PPI的时间序列数据中的每个PPI值是不是异常值，但是每次确定多个PPI值。这使得能够减少用于检测异常值的处理和处理时间。

参考图10和图11，下面描述根据本实施方式的异常值的检测的实例。图10和图11中的每一个是示出了根据本实施方式的异常值的分类表达模式的实例的说明性示图。图10和图11示出了异常值的八个表达模式。通过预先进行实验和观察，基于观察结果提取确定包括异常值的PPI的时间序列数据的预定长度的周期，并且在提取的周期中对行为进行分类来获得八个表达模式。具体地，具有预定长度的周期的异常值的每个表达模式包括五个连续的PPI值(由示图中的黑点指示的)，并且确定为异常值的PPI值在图中进一步被圆圈包围。在以下描述的实施方式中，基于数值之间的幅度关系通过确定新获取的PPI的时间序列数据是否应用于异常值的这种表达模式来检测异常值。

首先，提取预定长度的周期中的PPI的时间序列数据，其中包括从获取的PPI的时间序列数据的头部开始的五个PPI值。以下参考包括在提取的PPI的时间序列数据中的五个各个PPI值，按时间顺序为p_n、p_n+1、p_n+2、p_n+3和p_n+4。

接下来，在根据本实施方式的异常值的检测中，以下表达式(1)至(5)用于计算用于检测异常值的各个参数roc、th_roc1、th_roc2、th_eto1和th_eto2。应注意，基于通过统计处理通过预先多次测量各个用户的脉搏波信号获得的多段PPI的时间序列数据获得的平均值μ和标准差σ、以及通过统计处理彼此相邻的PPI值的差值的时间序列数据获得的平均值μ′和标准差σ′计算th_roc1、th_roc2、th_eto1和th_eto2。此外，下面将th_roc1、th_roc2、th_eto1和th_eto2定义为预先确定的固定值。

[表达式1]

roc＝(p_n+2-p_n)/p_n……表达式(1)

th_roc1＝(μ′-α*σ′)/μ′……表达式(2)

th_roc2＝(μ′+α*σ′)/μ′……表达式(3)

th_eto1＝(μ-α*σ)/μ……表达式(4)

th_eto2＝(μ+α*σ)/μ……表达式(5)

应注意，表达式(2)至(5)中包括的α是基于实验、观察等预先确定的值。例如，可以将1.0设置为α。

(情况1)

在提取的PPI的时间序列数据中包括的p_n和p_n+1满足以下表达式(6)和(7)的情况下，确定提取的PPI的时间序列数据对应于图10的情况1。在这种情况下，p_n+1和p_n+2被检测为异常值。

[表达式2]

th_eto2＜p_n+1/p_n……表达式(6)

roc＜th_roc1……表达式(6)

(情况2)

在提取的PPI的时间序列数据中包括的p_n和p_n+1满足以下表达式(8)和(9)的情况下，确定提取的PPI的时间序列数据对应于图10的情况2。在这种情况下，p_n+1被检测为异常值。

[表达式3]

th_eto2＜p_n+1/p_n……表达式(8)

th_roc1＜roc＜th_roc2……表达式(9)

(情况3)

在提取的PPI的时间序列数据中包括的p_n和p_n+1满足以下表达式(10)和(11)的情况下，确定提取的PPI的时间序列数据对应于图10的情况3。在这种情况下，p_n+1和p_n+2被检测为异常值。

[表达式4]

th_eto2＜p_n+1/p_n……表达式(10)

th_roc2＜roc……表达式(11)

(情况5)

在提取的PPI的时间序列数据中包括的p_n和p_n+1满足以下表达式(12)和(13)的情况下，确定提取的PPI的时间序列数据对应于图11的情况5。在这种情况下，p_n+1和p_n+2被检测为异常值。

[表达式5]

th_eto1＞p_n+1/p_n……表达式(12)

th_roc2＜roc……表达式(13)

(情况6)

在提取的PPI的时间序列数据中包括的p_n和p_n+1满足以下表达式(14)和(15)的情况下，确定提取的PPI的时间序列数据对应于图11的情况6。在这种情况下，p_n+1被检测为异常值。

[表达式6]

th_eto1＞p_n+1/p_n……表达式(14)

th_roc1＜roc＜th_roc2……表达式(15)

(情况7)

在提取的PPI的时间序列数据中包括的p_n和p_n+1满足以下表达式(16)和(17)的情况下，确定提取的PPI的时间序列数据对应于图11的情况7。在这种情况下，p_n+1和p_n+2被检测为异常值。

[表达式7]

th_eto1＞p_n+1/p_n……表达式(16)

roc＜th_roc1……表达式(17)

(情况4)

接下来，在提取的PPI的时间序列数据不对应于上述情况1至3或者情况5至7，但是提取的PPI的时间序列数据中包括的p_n、p_n+1、p_n+2、p_n+3和p_n+4满足以下表达式(18)至(20)的情况下，确定提取的PPI的时间序列数据对应于图10的情况4。在这种情况下，p_n、p_n+1、p_n+2和p_n+3被检测为异常值。

[表达式8]

th_eto2＜p_n+4/p_n+3……表达式(18)

th_eto1＜p_n/p_n+3……表达式(19)

p_n＞p_n+1＞p_n+2＞p_n+3……表达式(20)

(情况8)

在提取的PPI的时间序列数据中包括的p_n、p_n+1、p_n+2、p_n+3和p_n+4满足以下表达式(21)至(23)的情况下，确定提取的PPI的时间序列数据对应于图11的情况8。在这种情况下，p_n、p_n+1、p_n+2和p_n+3被检测为异常值。

[表达式9]

th_eto2＞p_n+4/p_n+3……表达式(21)

th_eto1＞p_n/p_n+3……表达式(22)

p_n＜p_n+1＜p_n+2＜p_n+3……表达式(23)

如上所述，将指示异常值的标记被分配给检测出的异常值。进一步地，从获取的PPI的时间序列数据提取包括以下五个PPI值的预定长度的周期中的PPI的时间序列数据，并且执行如上所述的异常值的检测。然后反复执行上述异常值的检测，直到完成获取的PPI的时间序列数据的终点的PPI值的处理为止。

应注意，在上述异常值的检测中，确定预定长度的周期中的提取的PPI的时间序列数据对应于图10和图11中示出的异常值的八个表达模式中的哪个，但是本实施方式不限于这种方法。例如，在本实施方式中，可以通过确定预定长度的周期中的提取的PPI的时间序列数据是否对应于不是异常值八个表达模式而是四个来检测异常值。

<4.2相关参数>

在上述异常值的检测中，已经描述了用于检测异常值的各个参数th_roc1、th_roc2、th_eto1和th_eto2被定义为预先确定的固定值。然而，在本实施方式中，各个参数th_roc1、th_roc2、th_eto1和th_eto2不局限于固定值，但是可以是动态改变的值。

具体地，用户的脉搏波信号的趋向根据用户的物理特性而不同，并且根据测量时间、用户年龄和用户的物理状态而进一步改变。因此，为了精确检测异常值，优选的是使用反映用户的物理特性等的影响的参数th_roc1、th_roc2、th_eto1和th_eto2。因此，在本实施方式中，当重新测量用户的脉搏波信号时，例如，通过使用从测量前一天用户的脉搏波信号获取的PPI的时间序列数据(例如，存储在图8中的DB 352a中的PPI的时间序列数据)计算平均值μ和μ′以及标准差σ和σ′。然后，在本实施方式中，基于计算出的平均值μ和μ′以及标准差σ和σ′通过使用上述表达式(2)至(5)来计算参数th_roc1、th_roc2、th_eto1和th_eto2，并且参数th_roc1、th_roc2、th_eto1和th_eto2用于检测异常值。这是因为可以将从一天的用户的脉搏波信号获取的PPI的时间序列数据当作反映用户的物理特性和物理状态的数据。应注意，为了反映用户的当前物理状态，优选的是无论何时重新测量或者定期测量脉搏波信号都要更新参数th_roc1、th_roc2、th_eto1和th_eto2。

此外，当计算平均值μ和μ′以及标准差σ和σ′时，可以使用具有以下描述的较高可靠度的部分中的PPI的时间序列数据。此外，当计算平均值μ和μ′以及标准差σ和σ′时，可以加权用于计算的PPI的时间序列数据以更有助于最近的PPI的时间序列数据的平均值μ和μ′以及标准差σ和σ′。此外，当计算参数th_roc1、th_roc2、th_eto1和th_eto2时，可以基于从提供至可穿戴装置10的传感器单元120的各种生物传感器(未示出)获取的感测数据改变包括在表达式(2)至(5)中的α。换言之，在本实施方式中，只要计算方法能够获取允许精确检测异常值的参数th_roc1、th_roc2、th_eto1和th_eto2，参数th_roc1、th_roc2、th_eto1和th_eto2的计算方法就不受具体限制。

<4.3异常值的校正>

在根据以下描述的本实施方式的异常值的校正中，从获取的PPI的时间序列数据检测异常值，并且基于检测结果校正PPI的时间序列数据。根据本实施方式，校正异常值。这使得能够进一步增加从校正的PPI的时间序列数据获取的各种HRV指数的精确性。作为异常值的校正，以下主要描述两个实例：根据HRV指数的类型执行校正的方法；以及根据上述异常值的表达模式执行校正的方法。

(第一方法)

首先，参考图12，描述根据HRV指数的类型执行校正的第一方法作为校正异常值的实例。图12是描述了根据本实施方式的第一方法的异常值的校正的说明性示图。具体地，图12的上部示出了线性补充检测异常值的部分的情况A的校正实例。图12的中部示出了移去异常值的情况B的校正实例。图12的下部示出了没有执行校正的情况C的校正实例。根据第一方法，根据HRV指数的类型执行校正。这使得能够通过使用以优选的校正方法校正的PPI的时间序列数据计算HRV指数，并且进一步增加计算出的HRV指数的精确性。

具体地，在该方法中，在RMSSD被计算为HRV指数的情况下，选择图12的上部中示出的情况A，并且对检测异常值的部分进行线性补充。此外，在该方法中，在SDNN被计算为HRV指数的情况下，选择图12的中部中示出的情况B，并且去除异常值。进一步地，在该方法中，在LF/HF计算为HRV指数的情况下，选择图12的下部中示出的情况C，并且不执行校正。在这种情况下，当计算LF/HF时，通过使用没有连续的异常值的最长部分中的PPI的时间序列数据计算LF/HF。

(第二方法)

接下来，参考图13至图20，描述根据异常值的表达模式执行校正的第二方法作为校正异常值的实例。图13至图20中的每一个是描述根据本实施方式的第二方法的校正异常值的说明性示图。在该方法中，通过考虑到图10和图11中示出的异常值的表达模式(情况1至8)的发生原因选择校正方法。根据第二方法，根据异常值的表达模式执行校正。这使得能够通过考虑到异常值的发生原因执行校正。因此，可以更优选地校正异常值。

-情况1-

首先，参考图13，描述在异常值的表达模式的情况下1的校正。情况1是未检测到应该在获取的脉搏波信号中正常检测到的正确峰值T的情况，但是如图13的上部所示检测出错误峰值E，从而获取如图13的中部所示的PPI的时间序列数据。具体地，在图13的中部中示出的PPI的时间序列数据中，检测错误峰值E使得p_n+1具有大值并且使得p_n+2具有较小的值。换言之，p_n+1和p_n+2是异常值。因为脉搏波信号的直流漂移使得错误峰值E出现靠近应该出现应该正常地检测到正确的峰值T的位置，所以检测到错误峰值E。在这种情况下，推断的是如果检测到正确的峰值T，正常的p_n+1具有比图13的中部中的p_n+1的值更小的值，并且正常的p_n+2具有比图13的中部中示出的p_n+2的值更大的值。因此，如图13的下部所示，在情况1下，根据以下表达式(24)计算Δβ，并且执行校正以使作为异常值的p_n+1减小Δβ，并且使作为异常值的p_n+1增加Δβ。以此方式，可以校正由直流漂移所引起的异常值。

[表达式10]

Δβ＝p_n+1–αp_n……表达式(24)

应注意，表达式(24)中包括的α是基于实验、观察等预先确定的值。例如，可以将1.0设置为α。此外，表达式(22)中包括的α可以是计算th_roc1、th_roc2等时使用的α。

-情况2-

参考图14，描述异常值的表达模式的情况2下的校正。如图14的上部所示，情况2是未检测出应该在获取的脉搏波信号中正常检测出的一个峰值T的情况，从而如图14的中部所示，获取PPI的时间序列数据。具体地，在图14的中部中示出的PPI的时间序列数据中，未检测出应该正常检测出的一个峰值T，从而使得两个峰值合计错误异常值p_n+1，尽管在此应该是正常的两个峰值。推断的是异常值p_n+1由用户的心律不齐的影响所引起。因此，推断的是如果检测出正确的峰值T，则p_n+1在PPI的时间序列数据被分成两个。因此，如图14的下部所示，在情况2下，执行校正以在作为异常值的p_n+1之后***p′_n+1和p″_n+1，并且将p_n+1分成两个。可以基于以下表达式(25)和(26)计算p′_n+1和p″_n+1。以此方式，可以校正由用户的心律不齐所引起的异常值。

[表达式11]

p′_n+1＝α*p_n+1……表达式(25)

p″_n+1＝p_n+1-α*p_n+1……表达式(26)

应注意，表达式(25)和(26)中包括的α是基于实验、观察等预先确定的值。例如，可以将0.5设置为α。

-情况3-

参考图15，描述异常值的表达模式的情况3下的校正。情况3是因为应该在如图15的上部所示的获取的脉搏波信号中正常检测到三个峰值而获取如图15的中部所示的PPI的时间序列数据的情况，但是一个大的峰值E导致检测两个峰值T失败。具体地，在这种情况下，如图15的上部所示，检测出由冲击噪音等所引起的错误峰值E，并且不可能检测定位在靠近错误峰值E且应该被正常检测出的两个正确的峰值T。如图15的中部所示，检测出具有大值的异常值p_n+1和p_n+2。在这种情况下，推断的是如果检测出正确的峰值T，则异常值p_n+1和p_n+2被分成三个。因此，在情况3下，如图15的下部所示，异常值p_n+1减小Δβ₁，异常值p_n+2减小Δβ₂，并且p′_n+1***异常值p_n+1和p_n+2的中间。可以根据以下表达式(27)计算p′_n+1。应注意，可以从基于实验、观察等预先定义的值或表达式确定Δβ₁和Δβ₂。以此方式，可以校正由冲击噪音等所引起的异常值。

[表达式12]

p′_n+1＝Δβ₁+Δβ₂……表达式(27)

-情况4-

参考图16，描述异常值的表达模式的情况4下的校正。在情况4下，如图10的上部所示，逐渐降低PPI的时间序列数据中的PPI值(p_n、p_n+1、p_n+2和p_n+3)，并且在某个时间点返回至应该检测出的正常值(p_n+4)。通过以小于正常脉搏波的间隔的一定间隔检测峰值产生这种异常值p_n、p_n+1、p_n+2和p_n+3，这是因为检测到由于将由心跳引起的高频噪音添加至脉搏波信号而产生的错误峰值。例如，在PPG传感器部122中，将约3Hz的高频噪音添加至以约1Hz的周期放大的脉搏波。在这种情况下，如果检测出正确的峰值，则应该检测出的峰值应该小于检测为异常值的四个峰值。因此，在情况4下，如图16的下部所示，异常值p_n、p_n+1和p_n+2被校正为m，并且删除p_n+3。可以根据以下表达式(28)计算m。以此方式，可以校正由高频噪音等所引起的异常值。

[表达式13]

m＝(p_n+p_n+1+p_n+2+p_n+3)/3……表达式(28)

-情况5-

参考图17，描述异常值的表达模式的情况5下的校正。与情况1类似，情况5是未检测出应该在获取的脉搏波信号中正常检测出的正确峰值T的情况，但是如图时序数据7的上部所示检测出错误峰值E，从而如图17的中部所示获取PPI时间序列数据。具体地，在图17的下部中示出的PPI的时间序列数据中，检测错误峰值E使得p_n+1具有较小值，并且使得p_n+2具有较大值。换言之，p_n+1和p_n+2是异常值。之所以检测到错误峰值E是因为脉搏波信号的直流漂移使得错误峰值E出现靠近应该出现应该正常地检测到正确的峰值T的位置。在这种情况下，推断的是如果检测到正确的峰值T，则正常的p_n+1具有比图17的中部中示出的p_n+1的值更大的值，并且正常的p_n+2具有比图17的中部中示出的p_n+2的值更小的值。因此，如图17的下部所示，在情况5下，根据以下表达式(29)计算Δβ，并且执行校正以使作为异常值的p_n+1增加Δβ，并且使作为异常值的p_n+2减小Δβ。以此方式，可以校正由直流漂移所引起的异常值。

[表达式14]

Δβ＝p_n+1–αp_n……表达式(29)

应注意，表达式(29)中包括的α是基于实验、观察等预先确定的值。例如，可以将1.0设置为α。

-情况6-

参考图18，描述异常值的表达模式的情况6下的校正。情况6是如图18的上部所示的一个峰值应该在获取的脉搏波信号中正常检测的情况，但是因为也检测出了由于由外部影响所引起的冲击噪音等导致的错误峰值E，所以获取如图18的中部所示的PPI的时间序列数据。在这种情况下，如果检测出正确的峰值，则估计的是检测出一个峰值。因此，在情况6下，如图18的下部所示，p_n+1根据以下表达式(30)被添加至p_n+2以计算新的p′_n+2。然后，在情况6下，p_n+2被校正为计算出的p′_n+2，并且删除p_n+1。以此方式，可以校正由冲击噪音等所引起的异常值。

[表达式15]

p′_n+2＝p_n+1+p_n+2……表达式(30)

-情况7-

参考图19，描述异常值的表达模式的情况7下的校正。情况7是如图19的上部所示的一个峰值应该在获取的脉搏波信号中正常检测的情况，但是因为检测出了由于由外部影响所引起的冲击噪音等导致的错误峰值E，所以获取如图19的中部所示的PPI的时间序列数据。在这种情况下，如果检测出正确的峰值T，则估计的是检测出一个峰值。因此，在情况7下，如图19的下部所示，p_n+1根据以下表达式(31)被添加至p_n+2以计算新的p′_n+1。然后，在情况7下，p_n+1被校正为计算出的p′_n+1，并且删除p_n+2。以此方式，可以校正由冲击噪音等所引起的异常值。

[表达式16]

p′_n+1＝p_n+1+p_n+2……表达式(31)

-情况8-

参考图20，描述异常值的表达模式的情况8下的校正。在情况8下，如图20的上部所示，PPI的时间序列数据中的PPI值逐渐变高(p_n、p_n+1、p_n+2和p_n+3)，并且在某个时间点恢复至应该检测出的正常值(p_n+4)。之所以产生这种异常值p_n、p_n+1、p_n+2和p_n+3，是因为由心跳所引起的高频噪音被添加至脉搏波信号，使得无法正常检测应该检测出的峰值。在这种情况下，如果检测出正确的峰值T，则应该检测出的峰值应该大于检测为异常值的四个峰值。因此，在情况8下，如图20的下部所示，执行校正以替换异常值p_n、p_n+1、p_n+2，利用m替换p_n+3，并且在p_n+3之后添加类似地具有m值的p′_n+3。可以根据以下表达式(32)计算m。以此方式，可以校正由高频噪音等所引起的异常值。

[表达式17]

m＝(p_n+p_n+1+p_n+2+p_n+3)/5……表达式(32)

应注意，在本实施方式中，异常值的校正不限于上述方法，或者不受具体限制。在本实施方式中，例如，可以根据以下描述的可靠度校正异常值。具体地，在这种情况下，估计的是由于用户的自主神经系统的一些变化产生而在具有较高可靠度的PPI的时间序列数据的部分中检测出的异常值，并且选择不主动校正异常值。相反，据估计，在具有较低可靠度的PPI的时间序列数据的部分中检测出的异常值是由于诸如冲击的外部影响而产生的，并且选择主动校正该异常值。进一步地，在本实施方式中，关于异常值的检测和异常值的校正，可以通过机器学习来学习用户过去的PPI的时间序列数据的趋势，并且可以基于学习结果根据每个用户的趋向来检测和校正异常值。

<4.4可靠度的计算>

在根据以下描述的本实施方式的可靠度的计算中，从测量时用户的状态是否适合于测量脉搏波信号的视角计算从脉搏波信号获取的PPI的时间序列数据的可靠度或者从PPI的时间序列数据获取的HRV指数。如上所述，在为评估心理应激程度和评估***功能而计算HRV指数的情况下，理想的是用户在测量脉搏波信号时处于静止状态并且保持相同姿势。脉搏波信号用作HRV指数的基本数据。此外，还可以从检测脉搏波信号的PPG传感器部122的穿戴状态是否适合于测量脉搏波信号的视角来计算可靠度。因此，在本实施方式中，从上述视角计算可靠度并且将计算出的可靠度呈现给用户，使得用户识别一起呈现的HRV指数的可靠性。此外，在本实施方式中，还可以控制可穿戴装置10的传感器单元120，或者基于计算出的可靠度控制HRV指数的计算处理。以下描述根据本实施方式的计算可靠度的各种实例。

(第一方法)

首先，作为可靠度r_i的计算方法的实例，描述了通过使用由提供至可穿戴装置10的运动传感器部124获取的感测数据计算可靠度r_i的第一方法。由运动传感器部124获取的感测数据是反映用户的动作的数据。因此，这种数据的分析使得能够确定用户是否处于适合于测量脉搏波信号的状态。

具体地，在该方法中，当测量用户的脉搏波信号时，从用户穿戴的运动传感器部124获取由用户的动作所引起的加速度数据。进一步地，在该方法中，从在脉搏波信号的每个取样时刻获取的加速度数据计算加速度范数。然后，在该方法中，求多个计算出的加速度范数的平均值，例如，每隔几秒，并且获取多个矢量Ai，每个矢量具有通过求加速度范数的平均值获得的平均值作为元素。

接下来，在该方法中，多个矢量Ai的值用于计算平均值μ_i和标准差σ_i。进一步地，在该方法中，计算出的平均值μ_i和标准差σ_i用于计算指示用户的静止程度的“静止分数”Sr和指示用户的姿势的变化的程度的“姿势分数”Sp，即，根据以下表达式(33)和(34)的运动状态。应注意，估计的是如果用户处于静止状态，则Sr具有较小的值，并且如果用户的姿势没有变化，则Sp具有较小的值。

[表达式18]

Sr＝μ_i/(2*3σ_μ)……表达式(33)

Sp＝σ_i/(2*3σ_σ)……表达式(34)

应注意，上述表达式(33)和(34)中的σ_μ和σ_σ是从各个用户的日常生活中的加速度数据获取的多个矢量Ai预先计算出的一组平均值μ_i和一组标准差σ_i的各自的标准差。

应注意，优选的是对静止分数Sr和姿势分数Sp执行消峰处理以使得其值落入0以上且1以下的范围内。然后，在该方法中，通过使用计算出的静止分数Sr和姿势分数Sp根据以下表达式(35)计算可靠度r_i。

[表达式19]

r_i＝α*Sr+(1-α)*Sp……表达式(35)

应注意，表达式(33)中包括的α是基于实验、观察等预先确定的值。例如，可以将大于或等于0且小于或等于1的值设置为α。

例如，移以此方式获取的可靠度r_i被呈现给用户。在这种情况下，可靠度r_i可以连同计算出的静止分数Sr和姿势分数Sp呈现给用户。

此外，在该方法中，只要能计算出指示用户的静止程度的静止分数Sr和指示用户的姿势的变化程度的姿势分数Sp即可，并且除了如上所述的平均值μ_i和标准差σ_i之外的统计值可以用于计算。进一步地，在该方法中，例如，可以通过使用从安装在运动传感器部124中的三轴加速度传感器(未示出)获取的X、Y和Z的各个轴向中的加速度数据计算静止分数Sr和姿势分数Sp。在这种情况下，如上所述，可以通过使用每个轴向上的加速度数据获得每个轴向上的可靠度r_i，并且获得的各个可靠度r_i的线性和可以用作最终的可靠度。

此外，在该方法中，可以从通过运动传感器部124使用现有的算法获取的感测数据估计用户的姿势和状态，并且可以基于估计结果计算静止分数Sr和姿势分数Sp。更具体地，基于通过运动传感器部124获取的感测数据，估计的是用户处于“坐”、“站”、“走”、“跑”等的状态。此外，用户的状态预先与静止分数Sr的值和姿势分数Sp的值相关联(例如，预先确定在用户处于“坐”的情况下，Sr为1.0，在用户处于“走”的情况下，Sr为0.5，并且在用户处于“跑”的情况下，Sr为0.0)，基于上述估计结果选择静止分数Sr的值和姿势分数Sp的值，并且通过使用所选择的值计算可靠度r_i。此外，在该方法中，当假设用户的脉搏波信号时，可以通过使用从运动传感器部124获取的感测数据的现有算法估计用户的状态，并且静止分数Sr可以是在脉搏波信号的测量周期内最长的姿势时间的比值。

(第二方法)

接下来，作为可靠度r_i的计算方法的实例，参考图21描述通过使用提供至可穿戴装置10的PPG传感器部122获取的脉搏波信号计算可靠度r_i的第二方法。图21是描述了根据本实施方式的第二方法的可靠度的计算的说明性示图。根据该方法，可以获取指示用户的静止程度的静止分数Sr，而无需提供运动传感器部124。

具体地，在预定周期内对包括在脉搏波信号中的直流分量(DC分量)中的变化进行量化，使得能够计算指示用户的静止程度的静止分数Sr。因此，在该方法中，检测脉搏波信号的直流分量的变化，基于检测结果计算上述静止分数Sr，并且通过使用计算出的静止分数Sr以与第一方法类似的方法来计算可靠度r_i。更具体地，脉搏波信号包括对应于由用户的心脏的脉动所引起的血流量的变化的脉动分量(AC分量)，以及对应于从除了脉动之外的血液层和除了血液之外的组织的反射光和散射光的直流分量(DC分量)。在用户处于诸如移动的非静止状态的情况下，例如，因为PPG传感器部122未被正确穿戴导致脉搏波信号的DC分量中的变化，使得由用户的动作或不是来自PPG传感器部122的外界光探测所引起的血流量的变化。例如，图21示出了在可穿戴装置10穿戴在用户的手臂上或者PPG传感器部122穿戴在用户的手臂上并且用户的手臂在用户的胸高处保持的情况、手臂抬起到胸部以上的情况与手臂放下到胸部以下的情况之间的脉搏波信号中的变化。可以从图21看出，抬起和放下穿戴PPG传感器部122的手臂使得脉搏波信号的DC分量中的变化随着示图中的脉搏波信号的高度中的变化。换言之，如果用户的姿势保持不变状态，则脉搏波信号的DC分量保持不变水平。以此方式，可以将脉搏波信号的DC分量当作反映用户的静止程度的指数。因此，在该方法中，例如，可以通过统计处理脉搏波信号的测量周期中的脉搏波信号的DC分量中的变化计算方差(σ²)，并且使用计算出的方差的倒数作为上述静止分数Sr。

(第三方法)

接下来，作为可靠度r_i的计算方法的实例，参考图22描述通过使用基于提供至可穿戴装置10的PPG传感器部122获取的脉搏波信号脉搏波的变化计算可靠度r_i的第三方法。图22是描述了根据本实施方式的第三方法的可靠度的计算的说明性示图。根据该方法，可以获取指示用户的姿势的变化程度的姿势分数Sp，而无需提供运动传感器部124。

通过PPG传感器部122获取的脉搏波信号是反映由用户的脉搏波所引起的变化的数据。因此，脉搏波信号的分析使得能够在预定时间获取用户的脉搏率(例如，每分钟的脉搏率，并且应注意脉搏率还被称为每分钟搏动(bpm))。因为用户的状态改变，所以脉搏率相应地改变。例如，如图22所示，在用户的状态从用户正在躺着的躺下状态改变为用户正在站立的站立状态的情况下，脉搏率改变。更具体地，当躺下时，脉搏率稳定在约60至70bpm。在站立的情况下，脉搏率改变为约80至100bpm。因此，可以将脉搏率的变化当作反映用户的姿势的变化程度的指数。因此，在该方法中，例如，可以通过统计处理脉搏波信号的测量周期中的脉搏率中的变化计算方差(σ²)，并且使用计算出的方差的倒数作为上述姿势分数Sp。应注意，在该方法中，可以通过使用心率代替脉搏率计算姿势分数Sp。

(第四方法)

如上所述，还可以从检测脉搏波信号的PPG传感器部122的穿戴状态是否适合于测量脉搏波信号的视角计算可靠度r_i。然后，描述基于PPG传感器部122的穿戴状态计算可靠度r_i的第四方法作为参考图23的可靠度r_i的计算方法的实例。图23是描述了根据本实施方式的第四方法的可靠度的计算的说明性示图，并且具体示出了根据该方法的可穿戴装置10a的形式。根据该方法，可以通过考虑到PPG传感器部122的穿戴状态计算可靠度r_i。

为了适当获取脉搏波信号，要求PPG传感器部122以适当的紧密度穿戴在用户的身体的一部分上。因此，在该方法中，如图23所示，在腕表型可穿戴装置10a的表带部分12内部连同PPG传感器部122提供压力传感器部14。压力传感器部14检测PPG传感器部122的穿戴状态。压力传感器部14使得能够在测量脉搏波信号时检测PPG传感器部122上的压力，并且通过使用检测结果获取PPG传感器部122的穿戴状态。理想穿戴的PPG传感器部122上的压力和在脉搏波信号测量周期内通过压力传感器部14检测到的压力之间的差值然后被数学处理(例如，计算方差(σ²))为指示PPG传感器部122的穿戴状态的指数，并且基于在该方法中的处理结果计算可靠度r_i。

此外，在该方法中，PPG传感器部122的穿戴状态不限于通过上述压力传感器部14的检测，而是可以由另一传感器检测。例如，为了适当获取脉搏波信号，要求PPG传感器部122与用户的身体的一部分紧密接触。温度传感器部(未示出)然后可以与用户的皮肤紧密接触地提供至腕表型可穿戴装置10a的表带部分12内部的一部分。温度传感器部可以检测用户的皮肤温度，并且可以通过使用检测结果检测PPG传感器部122的穿戴状态。

(第五方法)

此外，还可以通过使用上述异常值的检测计算可靠度r_i。然后，描述通过使用异常值的检测计算可靠度r_i的第五方法作为可靠度r_i的计算方法的实例。在检测到异常值的情况下，估计的是用户不处于适合于测量脉搏波信号的状态或者PPG传感器部122的穿戴状态在测量脉搏波信号时不合适。此外，在没有检测到异常值的情况下，估计的是用户处于适合于测量脉搏波信号的状态并且PPG传感器部122的穿戴状态在测量脉搏波信号时合适。因此，在该方法中，基于在用户的脉搏波信号的测量周期内没有检测到异常值的周期的比值计算可靠度r_i。因此，根据该方法，可以通过考虑到用户的状态和PPG传感器部122的穿戴状态计算可靠度r_i。

可以通过以下表达式(36)表示某个测量周期中的可靠度r_i，例如，其中，T_M表示测量周期中的PPI的时间序列数据的测量时间，并且T_N表示获取在测量周期中没有检测到的异常值的PPI值的总时间。

[表达式20]

r_i＝T_N/T_M……表达式(36)

此外，可以通过以下表达式(37)表示某个测量周期中的可靠度r_i，例如，其中，M表示在测量周期中包括在PPI的时间序列数据中的数据段的总数，并且N表示没有在测量周期中检测到的异常值的PPI值的数据段的总数。

[表达式21]

r_i＝N/M……表达式(37)

此外，在该方法中，可以基于获取的PPI的时间序列数据中的异常值的表达模式计算可靠度r_i。例如，可以通过以下表达式(38)表示某个测量周期中的可靠度r_i，其中，M表示在测量周期中包括在PPI的时间序列数据中的数据段的总数，并且N_i表示在落入上述异常值的八个表达模式的各个情况内的每个情况(i是从1至8的自然数)下的异常值的数量并且被确定为测量周期中的异常值。

[表达式22]

r_i＝(α₁*N₁+α₂*N₂+α₃*N₃+α₄*N₄+α₅*N₅+α₆*N₆+α₇*N₇+α₈*

N₈)/M……表达式(38)

应注意，在上述表达式(38)中，αi(i是从1至8的自然数)表示为异常值的表达模式的每一种情况确定的权重因子。应注意，例如，可以基于预先测量的PPI的时间序列数据以及测量时的环境信息(诸如，外部冲击的存在或不存在、用户的动作模式以及可穿戴装置10的穿戴状态)实验性地确定权重因子αi。此外，权重因子αi可以通过基于用于异常值的每个表达模式的异常值的表达原因的权重来确定。

应注意，上述可靠度r_i的计算方法是实例，并且根据本实施方式的可靠度r_i的计算方法不局限于上述方法。此外，还可以互相结合上述可靠度r_i的计算方法。在本实施方式中，例如，在上述第五方法中获取的可靠度r_i可以与从在上述第一方法中通过运动传感器部124获取的加速度数据计算出的可靠度r_i结合以计算最终的可靠度。以此方式结合上述可靠度r_i的计算方法使得能够进一步增加可靠度r_i的精确度。

<4.5可靠度的输出>

例如，如上所述计算出的可靠度r_i被呈现给用户，从而允许用户识别一起呈现的HRV指数的可靠性。此外，例如，还可以使用计算出的可靠度r_i控制可穿戴装置10的传感器单元120，或者控制HRV指数的计算处理。然后下面描述根据本实施方式的可靠度r_i的输出方法的各个实例。

(第一方法)

首先，参考图24和图25描述将可靠度r_i呈现给用户的第一方法作为可靠度r_i的输出方法的实例。图24和图25中的每一个是描述根据本实施方式的第一方法的可靠度r_i的输出的说明性示图。根据该方法，例如，将低可靠度r_i呈现给用户引导用户静止和保持相同姿势的动作以改善可靠度r_i。此外，在该方法中，在计算出的可靠度r_i小于预定值的情况下，假设向用户呈现的HRV指数等的可靠性较低，该方法可以将此原因或请求用户改善可靠度r_i的警报呈现给用户。

更具体地，在该方法中，如图14所示，当基于HRV指数计算出的压力程度显示给用户时，根据可靠度r_i改变压力程度的显示方式。例如，如图24的左部所示，在可靠度r_i高的情况下，通过增加对比度显示压力程度。同时，如图24的右部所示，在可靠度r_i低的情况下，通过减少对比度显示压力程度。通过以此方式改变对比度来执行显示促进用户识别显示的压力程度的可靠性。此外，例如，如图25所示，当HRV指数的时间序列数据图形显示给用户时，执行灰视显示器500以使可靠度r_i低的周期中的HRV指数的时间序列数据不明显。通过这样做，用户注意应该突出的HRV指数，促进用户确认HRV指数。

作为将可靠度r_i呈现给用户的方法，可以根据用于显示的可靠度r_i改变可靠度r_i的显示的颜色、发光率等。数字可以具体用于显示可靠度r_i。在该方法中将可靠度r_i呈现给用户的方法不受具体限制。在该方法中，将可靠度r_i以此方式呈现给用户引导用户静止和保持相同姿势的动作以改善可靠度r_i。进一步地，促进用户识别连同可靠度r_i呈现的HRV指数的可靠性。

此外，在该方法中，当呈现可靠度r_i时，脉搏波信号的测量的可靠性的理由减少并且改善可靠度r_i的方法可以呈现给用户。在这种情况下，参考用于计算可靠度r_i的静止分数Sr和姿势分数Sp的值等估计可靠度r_i减少的原因，并且基于估计结果将可靠度r_i减少的理由和改善可靠度r_i的方法呈现给用户。更具体地，在用户的突然运动被估计为可靠度r_i减少的原因的情况下，估计的原因被呈现给用户，像“突然运动减少可靠度”。此外，在该方法中，在这种情况下，将改善可靠度r_i的方法呈现给用户，诸如，“请休息”或者“请做个稳定姿势”。此外，在估计可靠度r_i减少的原因在于PPG传感器部122的穿戴状态不利的情况下，改善PPG传感器部122的穿戴状态的方法被呈现给用户，诸如“请再次穿戴可穿戴装置”。这种呈现允许用户识别可靠度r_i低的理由。这对用户来说比仅将可靠度r_i呈现给用户更有说服力。进一步地，促进用户识别改善r_i的方法并且引导其执行该方法，使得能够增加脉搏波信号的测量的精确度并且甚至增加HRV指数的精确度。

应注意，在该方法中，可靠度r_i减少的理由和呈现改善可靠度r_i的方法的方法不局限于显示诸如如上所述的词语的字符。例如，可穿戴装置10可以振动或者提供至可穿戴装置10的LED可以基于与每个理由相关联的模式发光，从而将理由呈现给用户。

(第二方法)

接下来，描述通过将可靠度r_i反馈至可穿戴装置10控制可穿戴装置10的第二方法作为可靠度r_i的输出方法的实例。在该方法中，在可靠度r_i小于预定值的周期继续预定时间(例如，几秒)或更长的情况下，暂时停止获取脉搏波信号的PPG传感器部122的操作。例如，如果因为用于通过奔跑移动所以非静止状态继续，则上述静止分数Sr和基于静止分数Sr计算出的可靠度r_i减少。在可靠度r_i的这种减少持续预定时间或更长时间的情况下，估计此后保持低可靠度r_i。暂时停止PPG传感器部122的操作(例如，光接收操作)，并且停止脉搏波信号的获取。这是因为，即使在可靠度r_i低的状态下基于脉搏波信号计算HRV指数，也不可能获取适当反映用户的状态的指数。进一步地，停止PPG传感器部122的操作允许电池消费的量在可穿戴装置10中被抑制。换言之，根据该方法，将可靠度r_i反馈至可穿戴装置10使得能够将可穿戴装置10的测量操作进入优选状态。应注意，当停止PPG传感器部122的操作时，优选的是将其呈现给用户。此外，本实施方式不限于停止PPG传感器部122的操作，但是可以停止诸如可穿戴装置10和服务器30之间的通信的其他操作。

此外，在该方法中，可以将可靠度r_i反馈至服务器30的检测部332、校正部336和HRV指数计算部342的处理。具体地，在可靠度r_i小于预定值的周期持续预定时间(例如，几秒)或更长时间的情况下，确定难以适当检测异常值，适当校正异常值，并且适当计算HRV指数。因此，在该方法中，在这种情况下，暂时停止通过检测部332检测异常值，通过校正部336校正异常值，并且通过HRV指数计算部342计算HRV指数。因此，停止检测部332、校正部336和HRV指数计算部342的操作使得能够抑制服务器30的处理资源(诸如，处理的量、保持存储器的量和留存数据的量)增加。换言之，根据该方法，将可靠度r_i反馈至服务器30使得能够将服务器30的处理操作进入优选状态。

此外，在该方法中，可靠度r_i可以反馈至服务器30的HRV指数计算部342以控制HRV指数的计算处理。具体地，在该方法中，用于计算HRV指数的数据不包括在可靠度r_i小于预定值的周期中获取的PPI的时间序列数据。通过这样做，可以获取具有较高可靠性的HRV指数。例如，有时理想的是使用为某个用户最后一个月计算的HRV指数的平均值管理用户的物理条件。在这种情况下，不包括在可靠度r_i是低的周期中的PPI的时间序列数据和计算HRV指数的平均值使得能够获取更确切地反映用户的状态的HRV指数的平均值，并且有效使用它管理用户的物理条件。

此外，在该方法中，在通过结合多个周期中的HRV指数计算预定指数的情况下，可以在基于每个周期中的可靠度r_i对每个HRV指数执行加权处理之后计算上述结合值。更具体地，用户一天的压力程度有时被定义为白天计算出的多个SDNN(HRV指数的类型)的加权平均值。在该方法中，在这种情况下，执行加权处理以将大权重提供至高可靠度r_i是高的部分中的SDNN的值，并且将小权重提供至低可靠度r_i是低的部分中的SDNN。这种加权使得能够抑制不可能适当测量脉搏波信号并且可靠度r_i是低的部分中的SDNN对上述压力程度的影响，并且高可靠性地获取压力程度。换言之，根据该方法，将可靠度r_i反馈至服务器30的计算处理使得能够进一步增加通过服务器30计算出的HRV指数、压力程度等的精确度。

<<5.结论>>

如上所述，根据本实施方式，计算脉搏波信号的测量的可靠度且将上述可靠度连同HRV指数等呈现给用户使得能够将用户的状态引导至用于测量的理想状态。进一步地，将计算出的可靠度反馈至可穿戴装置10或服务器30的控制使得能够优选地控制诸如精确计算HRV指数并抑制电池消耗的量的可穿戴装置10或服务器30。换言之，根据本实施方式，在为自由走动的用户测量脉搏波信号中可以将测量带入优选状态。

进一步地，根据本实施方式，从PPI的时间序列数据精确地检测异常值并且基于检测出的异常值校正PPI的时间序列数据使得能够防止要计算的HRV指数等偏离应该计算出的正确的正常HRV指数等。换言之，根据本实施方式，可以增加基于PPI的时间序列数据计算出的HRV指数等的精确度。

<<6.有关硬件配置>>

图26是描述了根据本实施方式的信息处理设备900的硬件配置的实例的说明性示图。在图26中，信息处理设备900作为服务器30的硬件配置的实例。

例如，信息处理设备900包括CPU 950、ROM 952、RAM 954、记录介质956、输入/输出接口958和操作输入装置960。进一步地，信息处理设备900包括显示装置962、通信接口968和传感器980。此外，例如，信息处理设备900使用总线970作为数据与各个部件互相耦接的传输路径。

(CPU 950)

例如，CPU 950包括一两个或更多个处理器，它们各自包括诸如CPU的运算电路、各种处理电路等，并且用作控制整个信息处理设备900的控制单元(例如，上述控制单元130)。具体地，CPU 950实现例如信息处理设备900中的上述检测部332、检测校正控制部334、校正部336、可靠度计算部338、HRV指数计算部342等的功能。

(ROM 952和RAM 954)

ROM 952存储用于诸如由CPU 950使用的程序和操作参数的控制的数据等。例如，RAM 954暂时存储由CPU 950执行的程序等。

(记录介质956)

记录介质956用作上述存储单元350，并且例如，存储用于根据本实施方式的信息处理方法的数据和诸如各种应用的各种类型的数据。在此，记录介质956的实例包括诸如硬盘的磁记录介质和诸如闪速存储器的非易失性存储器。记录介质956可以可拆卸地附接至信息处理设备900。

(输入/输出接口958、操作输入装置960和显示装置962)

例如，输入/输出接口958与操作输入装置960、显示装置962等互相耦接。输入/输出接口958的实例包括USB(通用串行总线)终端、DVI(数字直观接口)终端、HDMI(高清晰多媒体接口)(注册商标)终端、各种处理电路等。

例如，操作输入装置960用作上述输入装置300，并且操作输入装置960耦接至信息处理设备900内部的输入/输出接口958。

例如，显示装置962用作上述输出单元310，并且显示装置962设置在信息处理设备900上，并且耦接至信息处理设备900内部的输入/输出接口958。显示装置962的实例包括液晶显示器、有机电致发光显示器等。

应注意，还可以将输入/输出接口958耦接至诸如信息处理设备900的外部操作输入装置(例如，键盘、鼠标等)的外部装置、以及外部显示装置。此外，输入/输出接口958可以耦接至驱动器(未示出)。驱动器是用于诸如磁盘、光盘或半导体存储器的可移除记录介质的读取器/写入器并且安装在信息处理设备900中或者外部附接至信息处理设备900。驱动器读出记录在安装的可移除记录介质上的信息，并且将信息输出至RAM954。此外，驱动器还能够将记录写入到安装的可移除记录介质中。

(通信接口968)

通信接口968用作用于例如经由上述(或者直接地)网络70与诸如服务器30的外部装置执行无线或有线通信的通信单元340。在此，通信接口968的实例包括通信天线和RF(射频)电路(无线通信)、IEEE 802.15.1端口和传输/接收电路(无线通信)、IEEE 802.11端口和传输/接收电路(无线通信)、LAN(局域网)终端和传输/接收电路(有线通信)等。

(传感器980)

传感器980用作可穿戴装置10的传感器单元120。进一步地，传感器980可包括各种传感器，诸如，压力传感器。

以上已经举例说明了信息处理设备900的硬件配置的实例。应注意，信息处理设备900的硬件配置不限于图26中示出的配置。具体地，上述每一个部件可以使用通用构件配置，或者可以通过使用专用于每个部件的功能的硬件配置。可以根据执行本公开时的技术水平视情况改变该配置。

例如，在信息处理设备900经由耦接的外部通信装置与外部装置等通信的情况下或者在信息处理设备900被配置为以独立方式执行处理的情况下，信息处理设备900不必包括通信接口968。此外，通信接口968可具有可与一两个或更多个外部装置在多个通信方案中通信的部件。此外，还可以在不提供记录介质956、操作输入装置960、显示装置962等的情况下配置信息处理设备900。

此外，根据本实施方式的信息处理设备900可以应用于包括多个设备的系统，该系统被认为耦接至网络(或者互相通信)，例如，如云计算。换言之，例如，还可以实现根据上述本实施方式的信息处理设备900作为根据本实施方式的信息处理方法通过使用多个设备执行处理的信息处理系统。

<<7.补充>>

应注意，例如，上述本公开的实施方式可包括用于使得计算机用作根据本实施方式的信息处理设备的程序、以及具有在其上记录的程序的非易失性有形介质。此外，该程序可以经由诸如互联网的通信线路(包括无线通信)分布。

此外，根据上述每一个实施方式的处理步骤不必以所描述的顺序执行。例如，可以视情况改变执行各个步骤的顺序。此外，各个步骤可以部分同时执行或者单独地代替按时间顺序执行。此外，每个步骤的处理方法不必根据所描述的方法进行处理，而是例如，可以通过另一功能单元在另一方法中处理。

以上已经参考附图详细描述了本公开的优选实施方式，但是本公开的技术范围并不限于这种实施方式。显然，本公开的本领域中的普通技术人员可以在所附权利要求中描述的技术构思的范围内想到各种变化和修改，并且应理解的是，这种变化和修改自然落入本公开的技术范围内。

此外，本文中描述的效果仅是说明性的和示例性的，而不是限制性的。换言之，除了上述效果之外或者代替上述效果，根据本公开的技术可以实现从本文中的描述对本领域中的技术人员显而易见的其他效果。

应注意，以下配置也落入本公开的技术范围内。

(1)一种信息处理设备，包括：

可靠度计算部，所述可靠度计算部计算脉动变化数据或身体指数的可靠度，所述脉动变化数据是从由用户穿戴的脉搏波传感器获取的感测数据中获取的，所述身体指数是从所述脉动变化数据计算出的，并且所述身体指数指示所述用户的物理状态；以及

控制单元，所述控制单元基于计算出的可靠度来控制各种处理。

(2)根据(1)的信息处理设备，其中，基于用户的状态、脉搏波传感器的穿戴状态或者获取的脉动变化数据计算可靠度。

(3)根据(2)的信息处理设备，其中，基于用户的状态计算可靠度，通过由用户穿戴的运动传感器获取该状态。

(4)根据(2)的信息处理设备，其中，基于脉搏波传感器的穿戴状态计算可靠度，通过由用户穿戴的传感器以及脉搏波传感器获取该穿戴状态。

(5)根据(1)的信息处理设备，还包括检测部，该检测部从脉动变化数据检测异常值。

(6)根据(5)的信息处理设备，其中，基于检测出的异常值计算可靠度。

(7)根据(5)或(6)的信息处理设备，其中，控制单元基于计算出的可靠度控制检测部。

(8)根据(5)至(7)中任一项的信息处理设备，其中，检测部通过从脉动变化数据提取预定长度的区间内的脉动变化数据检测异常值，并且将提取的该段预定长度的脉动变化数据与预定图案进行比较。

(9)根据(5)至(8)中任一项的信息处理设备，其中，检测部改变参数，该参数用于根据用户的物理特性检测异常值。

(10)根据(5)的信息处理设备，还包括校正部，该校正部基于检测出的异常值校正脉动变化数据。

(11)根据(10)的信息处理设备，其中，控制单元基于计算出的可靠度控制校正部。

(12)根据(10)或(11)的信息处理设备，其中，校正部根据要计算的身体指数的类型改变校正处理。

(13)根据(10)或(11)的信息处理设备，其中，校正部从脉动变化数据提取预定长度的区间内的脉动变化数据，识别提取的该段预定长度的脉动变化数据的图案，并且根据识别的图案的类型改变校正处理。

(14)根据(10)的信息处理设备，还包括指数计算部，该指数计算部基于校正的脉动变化数据计算身体指数。

(15)根据(14)的信息处理设备，其中，控制单元基于计算出的可靠度控制指数计算部。

(16)根据(14)的信息处理设备，其中，指数计算部基于可靠度加权每段中的脉动变化数据或身体指数。

(17)根据(1)的信息处理设备，其中，控制单元基于计算出的可靠度控制脉搏波传感器。

(18)根据(1)的信息处理设备，其中，控制单元控制从脉动变化数据检测异常值的检测处理、校正脉动变化数据的校正处理、或从脉动变化数据计算身体指数的计算处理中的至少一个，在信息处理设备中执行检测处理、校正处理和计算处理。

(19)一种信息处理方法，包括：

计算脉动变化数据或身体指数的可靠度，从由用户穿戴的脉搏波传感器获取的感测数据获取脉动变化数据，身体指数从脉动变化数据计算出并且指示用户的物理状态；并且

基于计算出的可靠度控制各种类型的处理。

(20)一种使得计算机实现以下步骤的程序：

计算脉动变化数据或身体指数的可靠度的功能，从由用户穿戴的脉搏波传感器获取的感测数据获取脉动变化数据，从脉动变化数据计算出身体指数并且指示用户的物理状态；并且

基于计算出的可靠度控制各种类型的处理的功能。

参考符号列表

1：信息处理系统

10、10a：可穿戴装置

12：表带部分

14：压力传感器部

30：服务器

50：用户终端

70：网络

100、300：输入单元

110、310：输出单元

120：传感器单元

122：PPG传感器部

124：运动传感器部

130、330：控制单元

140、340：通信单元

150、350：存储单元

200：测量部位

202：血管

332：检测部

334：检测校正控制部

336：校正部

338：可靠度计算部

342：HRV指数计算部

350：存储单元

352：DB

500：灰视显示器

900：信息处理设备

950：CPU

952：ROM

954：RAM

956：记录介质

958：输入/输出接口

960：操作输入装置

962：显示装置

968：通信接口

970：总线

980：传感器。