具体实施方式

下面，在参照附图的同时对本发明一实施方式进行详细说明。

图1是示出本发明一实施方式的推测装置1的概略结构的框图。在参照图1的同时主要对本发明一实施方式的推测装置1的构成及功能进行说明。

作为一实施方式的概要，推测装置1获取映现皮肤表面凹凸的皮肤图像。推测装置1针对已获取的皮肤图像，提取基于皮肤图像的相位信息的特征值向量。推测装置1使用根据将特征值向量与有关皮肤功能的参数建立了关联的过去的实测数据所构建的推测模型，根据已提取的特征值向量来推测有关皮肤功能的参数。推测装置1提示已推测的有关皮肤功能的参数。有关皮肤功能的参数例如包含TEWL。并不限定于此，有关皮肤功能的参数也可包括与包含皮肤屏障功能等的生物组织的功能建立关联的任意的指标。例如，有关皮肤功能的参数也可包含皮肤的含水量。

推测装置1例如是根据映现人的皮肤表面凹凸的皮肤图像来推测有关皮肤功能的参数的电子设备。例如，推测装置1可以是专用的电子设备，也可以是智能电话、个人电脑(Personal Computer，PC)、以及服务器设备等任意的通用的电子设备。例如，推测装置1也可由其自身拍摄人的皮肤表面来获取皮肤图像，并根据该皮肤图像来推测有关皮肤功能的参数。并不限定于此，例如，推测装置1也可通过通信等任意方法而从其他拍摄装置等获取由所述其他拍摄装置等所拍摄的人的皮肤表面的皮肤图像，并根据已获取的该皮肤图像来推测有关皮肤功能的参数。

如图1所示，推测装置1具有：控制部11、通信部12、存储部13、图像获取部14、数据获取部15以及提示部16。

控制部11包含一个以上的处理器。在一实施方式中，“处理器”为通用的处理器或者专门用于特定处理的专用处理器，但并不限定于此。控制部11与构成推测装置1的各构成部(各组成单元)以能够通信的方式进行连接、控制推测装置1整体的动作。

在一实施方式中，例如，控制部11也可控制通信部12，将利用推测装置1得到的推测结果发送至其他任意的信息处理装置。例如，控制部11也可控制存储部13，存储利用推测装置1得到的推测结果及已获取的皮肤图像。例如，控制部11也可控制图像获取部14，获取映现皮肤表面凹凸的皮肤图像。例如，控制部11也可控制数据获取部15，获取将特征值向量与有关皮肤功能的参数建立了关联的过去的实测数据。例如，控制部11也可控制提示部16，对用户提示利用推测装置1得到的推测结果。

通信部12包括与包含移动通信网络及网际网络等的网络连接的通信模块。例如，通信部12也可包含与4G(4th Generation，第四代)及5G(5th Generation，第五代)等移动通信标准对应的通信模块。例如，通信部12也可包含与有线LAN(Local Area Network，局域网)标准对应的通信模块。

存储部13包含一个以上的存储器。在一实施方式中，“存储器”例如是半导体存储器、磁存储器或光存储器等，但并不限定于这些。存储部13中所包含的各存储器例如也可作为主存储装置、辅助存储装置或超高速缓冲存储器(cache memory)发挥功能。存储部13存储推测装置1的动作所使用的任意的信息。例如，存储部13也可存储系统程序、应用程序、由推测装置1所获取的各种信息、以及利用推测装置1得到的推测结果等。已存储于存储部13中的信息例如也可通过经由通信部12而由网络获取的信息来更新。

图像获取部14例如包含相机等任意的拍摄装置。图像获取部14例如也可通过使用图像获取部14自身所具有的拍摄装置的拍摄来获取映现皮肤表面凹凸的皮肤图像。并不限定于此，图像获取部14也可通过任意的方法来获取映现皮肤表面凹凸的皮肤图像。例如，图像获取部14也可通过通信等任意的方法而从其他拍摄装置等来获取由所述其他拍摄装置等所拍摄的皮肤表面的皮肤图像。

数据获取部15例如包含可获取将特征值向量与有关皮肤功能的参数建立了关联的过去的实测数据的任意的接口。例如，数据获取部15也可包含可受理由用户所进行的输入操作的任意的输入接口，并根据由用户所进行的输入来获取实测数据。例如，数据获取部15也可包含任意的通信接口，并通过任意的通信协议而从外部装置等来获取实测数据。

提示部16例如包含输出图像的任意的输出接口。提示部16例如包含液晶显示器及有机电致发光(Electro Luminescence，EL)显示器等任意的显示器。提示部16对用户等提示利用推测装置1得到的推测结果。例如，提示部16提示由推测装置1的控制部11所推测的有关皮肤功能的参数。

图2是示出由图1的推测装置1所进行的第一动作的例子的流程图。图2表示推测装置1根据过去的实测数据来生成推测模型的流程。即，图2表示使用推测装置1的后述的推测方法中所使用的推测模型的生成方法。

在步骤S101中，推测装置1的控制部11使用数据获取部15获取将特征值向量与有关皮肤功能的参数建立了关联的过去的实测数据。

在步骤S102中，控制部11根据在步骤S101中所获取的过去的实测数据，构建基于特征值向量来推测有关皮肤功能的参数的推测模型。

推测模型例如也可以是包含根据在步骤S101中所获取的过去的实测数据进行了学习的随机森林模型的机器学习模型。并不限定于此，推测模型也可以是包含神经网络、局部回归模型以及核回归模型(Kernel regression model)等的任意的机器学习模型。

图3是示出由图1的推测装置1所进行的第二动作的例子的流程图。图3主要表示推测装置1使用由图2的流程所构建的推测模型，推测有关皮肤功能的参数的流程。即，图3表示使用推测装置1的推测有关皮肤功能的参数的推测方法。

在步骤S201中，推测装置1的控制部11使用图像获取部14，获取映现皮肤表面凹凸的皮肤图像。

在步骤S202中，控制部11针对在步骤S201中所获取的皮肤图像，提取基于皮肤图像的相位信息的特征值向量。再者，如后面针对图4说明的那样，步骤S202还包含详细的流程，因此在图3中利用双线表示步骤S202的框。

在步骤S203中，控制部11使用由图2的流程所构建的推测模型，根据在步骤S202中所提取的特征值向量来推测有关皮肤功能的参数。

在步骤S204中，控制部11使用提示部16，提示在步骤S203中所推测的有关皮肤功能的参数。

图4是示出由图1的推测装置1所进行的第三动作的例子的流程图。图4是更详细地表示图3的步骤S202中的流程的图。在参照图4的同时更详细地说明推测装置1的控制部11根据获取的皮肤图像来提取特征值向量的流程。

在步骤S301中，推测装置1的控制部11生成修正图像，所述修正图像是对在图3的步骤S201中所获取的皮肤图像实施明亮度的修正处理及二值化(二进制化)处理而成的图像。图5是示出在图4的步骤S301中所生成的修正图像的一例的示意图。

控制部11例如使用小波变换(wavelet transformation)，生成仅包含规定的频率区域中的信息的如图5那样的修正图像。控制部11通过生成这种修正图像，而在图3的步骤S201中所获取的皮肤图像中去除与皮肤表面的凹凸无关的可成为噪声的多余的信息。

在图4的步骤S302中，控制部11获取与根据在步骤S301中所生成的修正图像所提取的零维特征值和一维特征值相关的信息。这种与零维特征值和一维特征值相关的信息构成所述相位信息。图6是示出用于在图4的步骤S302中获取相位信息的方法的一例的示意图。在参照图6的同时主要说明控制部11根据在步骤S301中所生成的修正图像来提取零维特征值和一维特征值的方法。

控制部11对在步骤S301中所生成的修正图像执行白色像素的密度推测，生成如地形图那样表示相对于像素区域的白色像素的密度的图像。例如，在这种图像中，白色像素的密度变化在白色像素的密度大的像素区域中作为凸峰(山)来表示，在黑色像素的密度大的像素区域中作为凹谷(谷)来表示。

图6是在这种图像中，一维地表示沿着像素的规定的行的白色像素的密度变化的示意图。在图6中，纵轴表示白色像素的密度。横轴表示像素位置。

控制部11，例如针对诸如图6那样的表示白色像素的密度变化的曲线图，使白色像素的密度的阈值t变化。控制部11例如对应于图6中由虚线所示的阈值t的直线与曲线图交叉的情况下，针对如曲线图中的白色像素的密度的值变得比阈值t大的像素区域，将所有像素确定为白色。例如，控制部11针对其以外的像素区域，将所有像素确定为黑色。

图7是示出使阈值t阶段性地变化时的图像及相位信息的变化的例子的示意图。更具体而言，图7的上部的一系列的图像的组表示使阈值t阶段性地变化时所获得的白色区域的连接方式的变化的样子。图7的中部表示使阈值t阶段性地变化时所获得的零维特征值的变化的样子。图7的下部表示使阈值t阶段性地变化时所获得的一维特征值的变化的样子。

例如，控制部11在将阈值t确定为图6中的t1的情况下，对应于阈值t1的直线与曲线图未交叉，因此将图像中的所有像素确定为黑色。因此，如图7的上部所示，阈值t1中的图像变成如整体被涂黑的图像。

例如，在控制部11将阈值t确定为图6中的t2的情况下，对应于阈值t2的直线与曲线图在区域R2中交叉，曲线图中的白色像素的密度的值在区域R2中变得比阈值t2大。因此，控制部11将区域R2中的所有像素确定为白色。控制部11针对区域R2以外的像素区域，将所有像素确定为黑色。因此，如图7的上部所示，阈值t2中的图像变成如略微地开始出现白色区域，但整体上黑色像素多的图像。

例如，在控制部11将阈值t确定为图6中的t3的情况下，对应于阈值t3的直线与曲线图在区域R3中交叉，曲线图中的白色像素的密度的值在区域R3中变得比阈值t3大。因此，控制部11将区域R3中的所有像素确定为白色。控制部11针对区域R3以外的像素区域，将所有像素确定为黑色。因此，如图7的上部所示，阈值t3中的图像变成如与阈值t2中的图像相比白色区域进一步增加的图像。

例如，在控制部11将阈值t确定为图6中的t4的情况下，对应于阈值t4的直线与曲线图在区域R4中交叉，曲线图中的白色像素的密度的值在区域R4中变得比阈值t4大。因此，控制部11将区域R4中的所有像素确定为白色。控制部11针对区域R4以外的像素区域，将所有像素确定为黑色。因此，如图7的上部所示，阈值t4中的图像变成如与阈值t3中的图像相比白色区域进一步增加的图像。

例如，在控制部11将阈值t确定为图6中的t5的情况下，对应于阈值t5的直线与曲线图在区域R5中交叉，曲线图中的白色像素的密度的值在区域R5中变得比阈值t5大。因此，控制部11将区域R5中的所有像素确定为白色。控制部11针对区域R5以外的像素区域，将所有像素确定为黑色。因此，如图7的上部所示，阈值t5中的图像变成如略微残留黑色区域，但整体上白色像素多的图像。

例如，在控制部11将阈值t确定为图6中的t6的情况下，对应于阈值t6的直线与曲线图在区域R6中整体交叉，曲线图中的白色像素的密度的值在区域R6中变得比阈值t6大。因此，控制部11将区域R6中的所有像素确定为白色。因此，如图7的上部所示，阈值t6中的图像变成为整体被涂成白色的图像。

如上所述，控制部11使阈值t逐渐地变化，获取表示白色区域的连接方式的变化的一系列的图像的组。控制部11针对已获取的一系列的图像的组，提取包含零维特征值和一维特征值的相位信息。

例如，如图7的中部所示，控制部11针对已获取的一系列的图像的组，将白色像素连通的部分作为零维特征值来提取。如此地，零维特征值与一系列的图像的组中的连通分量(connected component)对应。例如，在阈值t1的图像中，零维特征值的数量为0。例如，在阈值t6的图像中，零维特征值的数量为1。

例如，如图7的下部所示，控制部11针对已获取的一系列的图像的组，追寻白色像素，将其中央部存在黑色像素的部分作为一维特征值来提取。如此地，一维特征值与一系列的图像的组中的孔对应。例如，在阈值t1及t6的图像中，一维特征值的数量为0。

针对图7的上部所示的一系列的图像的组所提取的连通分量及孔伴随阈值t的变化而生成、消失。即，规定的连通分量若在某一阈值tb_c中生成，则在具有比阈值tb_c小的值的另一阈值td_c中消失。同样地，规定的孔若在某一阈值tb_h中生成，则在具有比阈值tb_h小的值的另一阈值td_h中消失。

控制部11针对各连通分量，将阈值tbc及阈值td_c的值的组存储于存储部13中。同样地，控制部11针对各孔，将阈值tb_h及阈值td_h的值的组存储于存储部13中。

在图4的步骤S303中，控制部11根据已存储于存储部13中的阈值tb_c及阈值td_c的值的组，针对零维特征值生成表示各特征值的持续性的分布图。同样地，控制部11根据已存储于存储部13中的阈值tb_h及阈值td_h的值的组，针对一维特征值生成表示各特征值的持续性的分布图。控制部11例如也可根据在图3的步骤S201中所获取的一个皮肤图像，针对零维特征值和一维特征值分别生成表示各特征值的持续性的分布图。并不限定于此，控制部11例如也可根据在图3的步骤S201中所获取的多个皮肤图像，针对零维特征值和一维特征值分别生成表示各特征值的持续性的分布图。

图8是示出零维特征值的持续性的一例的分布图。在图8中，纵轴表示阈值tb_c与阈值td_c之差。即，图8的纵轴给出了零维特征值相对于阈值t的变化是持续何种程度的这一问题的持续性度量(标准)。在图8中，横轴表示阈值tb_c与阈值td_c之间的平均值。即，图8的横轴给出了零维特征值相对于阈值t的变化是以怎样的值的阈值t存在的这一问题的基准。在图8的分布图中，将简便的图示作为目的而以相同的形态描绘所有点，但与各点中零维特征值的密度的值不同。例如，各点可采用任意的密度值。即，在各点中，规定的数量的零维特征值重叠。

图9是示出一维特征值的持续性的一例的分布图。在图9中，纵轴表示阈值tbh与阈值tdh之差。即，图9的纵轴给出了一维特征值相对于阈值t的变化是持续何种程度的这一问题的持续性度量。在图9中，横轴表示阈值tbh与阈值tdh之间的平均值。即，图9的横轴给出了一维特征值相对于阈值t的变化是以怎样的值的阈值t存在的这一问题的基准。在图9的分布图中，将简便的图示作为目的而以相同的形态描绘所有点，但与各点中一维特征值的密度的值不同。例如，各点可采用任意的密度值。即，在各点中，规定的数量的一维特征值重叠。

在图4的步骤S304中，控制部11根据在步骤S303中所生成的分布图来提取特征值向量。

图10是示出基于随机森林的一实施方式的推测模型的示意图。在参照图10的同时主要对图4的步骤S304中的特征值向量的提取方法、以及图3的步骤S203中的有关皮肤功能的参数的推测方法的一例进行说明。

在图4的步骤S304中，控制部11针对在步骤S303中所生成的零维特征值和一维特征值的分布图分别确定网格，设定多个区域G。控制部11针对各区域G，算出已设定的多个区域G各自所包含的点的数量。控制部11针对使所算出的点的数量在各区域G中排列而得到的向量作为特征值向量来进行提取。此时，也可考虑零维特征值和一维特征值的分布图中的各点的密度值。

控制部11使用由图2的流程所构建的推测模型，根据经过图4的流程所提取的特征值向量来推测有关皮肤功能的参数。更具体而言，控制部11使用包含随机森林模型的机器学习模型来推测有关皮肤功能的参数。此时，控制部11也可除了根据经过图4的流程所提取的特征值向量以外还根据例如受试者的属性来推测有关皮肤功能的参数。受试者的属性例如也可包含受试者的年龄及性别。

如图10所示，例如，控制部11随机地选择经过图4的流程所提取的特征值向量的一个以上的分量。例如，控制部11将经随机地选择的一个以上的特征值向量分量与决策树1建立关联。例如，控制部11针对从决策树2至决策树N的多个决策树执行相同的处理。控制部11将与各决策树建立了关联的特征值向量分量用作变量来推测TEWL。控制部11将针对多个决策树分别推测的多个TEWL平均化，而推测最终的TEWL。

图11是示出利用图1的推测装置1得到的第一推测结果的例子的分布图。在图11中，纵轴表示TEWL的实测值。横轴表示TEWL的推测值。黑色圆圈表示使用成年男性的皮肤图像时的数据。成年男性包含20岁以上的男性。白色圆圈表示使用未成年男子的皮肤图像时的数据。未成年男子包含自0岁至19岁的男子。白色三角表示使用未成年女子的皮肤图像时的数据。未成年女子包含从0岁至19岁的女子。

如图11所示，在利用推测装置1得到的推测结果中，TEWL的实测值与推测值显示良好的对应关系。即，使用推测装置1所推测的TEWL的值与TEWL的实测值的差分(difference)处于规定的误差的范围内。此时的确定系数为0.667。此外，进行了与被认为反映皮肤的屏障功能的TEWL的回归分析，结果发现在两者中可确认到较强的关联。对作为有关皮肤功能的参数的另一例的皮肤的含水量也进行了相同的分析，结果发现在两者中也可确认到关联。

图12是示出利用图1的推测装置1得到的第二推测结果的例子的曲线图。在图12中，纵轴表示变量的种类。横轴表示变量的重要度。

推测装置1也可在推测结果中提示变量的重要性。例如，当控制部11除了根据特征值向量以外还根据受试者的属性来推测有关皮肤功能的参数时，推测装置1也可除将特征值向量分量作为变量以外还将年龄及性别作为变量，算出这些变量的重要度。在图12中表示在利用推测装置1得到的推测结果中，与性别相比年龄作为变量更重要。再者，在图12中，将特征值向量分量以及包括年龄和性别的受试者属性作为变量来表示，但用于推测TEWL的变量也可包含其他任意的变量。例如，用于推测TEWL的变量也可包含皮肤的含水量。

根据如上所述的一实施方式的推测装置1，可高精度地推测有关皮肤功能的参数。更具体而言，推测装置1使用根据将特征值向量与有关皮肤功能的参数建立了关联的过去的实测数据所构建的推测模型，推测有关皮肤功能的参数。由此，推测装置1可通过已学习完成的推测模型来高精度地推测有关皮肤功能的参数。例如，推测装置1可以通过包含根据已获取的过去的实测数据进行了学习的随机森林模型的机器学习模型，高精度地推测有关皮肤功能的参数。

由于通过推测装置1可高精度地推测有关皮肤功能的参数，因此可高精度地推测包含皮肤屏障功能等的生物组织的功能的作用。由此，推测装置1能够有效应用于例如医疗及美容等广泛领域中。例如，推测装置1也可有助于皮肤的健康性的诊断及评估。推测装置1也可有助于皮肤的治疗及对于皮肤护理的效果的验证。推测装置1也可有助于皮肤疾病的发病预测。

例如，在以往的TEWL测定及皮肤电传导测定等中，需要对测定前的被测试部位进行清洗，在恒温恒湿的环境下稳定地进行测定。另外，在以往的TEWL测定中，也需要在测定过程中使被测试部位静止10秒左右。如上所述，在现有技术中，难以进行如无法控制温度及湿度的环境下的测定、以及对于难以使被测试部位静止的新生儿及乳幼儿等的测定。如此地，使用现有技术的测定装置的便利性较低。

在一实施方式的推测装置1中，可使用利用机器学习的方法，根据映现皮肤表面凹凸的皮肤图像来高精度地推测有关皮肤功能的参数，因此无需如现有技术那样进行稳定的测定。即，使用推测装置1的用户只要获取映现皮肤表面凹凸的皮肤图像即可，能够使推测不局限于环境及被测试对象者。例如，推测装置1可应用于如在医疗现场及与美容相关的店铺等中直接获取皮肤图像的情况，也可应用于如通过通信等来获取位于远方的受试者等的皮肤图像的情况。进而，也可视情况不清洗被测试部位而进行推测。如上所述，推测装置1提升有关皮肤功能的参数的推测中的用户的便利性。

推测装置1与现有技术相比能够容易地对用户提示有关皮肤功能的参数的值，因此例如也可应用于对于哪种人只要应用哪种保湿剂及药品等即可等表示基准的准则的制作及利用。即，与现有技术不同，可使用推测装置1频繁地测定有关皮肤功能的参数，因此这种准则的制作及利用变得容易。

推测装置1通过生成对已获取的皮肤图像实施明亮度的修正处理及二值化处理而成的修正图像能够从已获取的皮肤图像中去除与皮肤表面的凹凸无关的可成为噪声的多余的信息。由此，推测装置1可更高精度地推测有关皮肤功能的参数。

推测装置1通过在图4的步骤S302中获取一系列的图像的组，能够使相位信息等本质性的信息与噪声正确地分离。例如，在仅使用一个图像的情况下，难以确定所述图像中所包含的多个连通分量及孔中的哪一个是本质性的特征，哪一个是噪声。推测装置1能够通过使阈值t阶段性地变化来获取一系列的图像的组从而确定例如存在规定的区域中的连通分量或者孔的持续性。推测装置1可根据这种持续性，使本质性的信息与噪声正确地分离。

推测装置1，如图3的步骤S202那样，根据皮肤图像来提取特征值向量后，通过机器学习模型来推测有关皮肤功能的参数，由此可减少所需要的样品的数量。此外，推测装置1可抑制计算量。进而，推测装置1使皮肤图像的哪种特征与被推测的有关皮肤功能的参数相关联等的解释变得容易。

推测装置1在图3的步骤S203中，除了根据特征值向量以外还根据受试者的属性来推测有关皮肤功能的参数，由此可结合受试者的属性来更高精度地推测有关皮肤功能的参数。

对于本领域技术人员而言显而易见的是本发明可在不脱离其宗旨或其本质性的特征的情况下，而由所述实施方式以外的其他规定的方式来实现。因此，以上的描述仅为示例而已，并不限定于这些。本发明要求保护的范围由附加的各项权利要求而不是以上的描述来定义。对于所有变更(变形)中处于与其等同(均等)的范围内的一部分变更(变形)而言，均视为包含于其中。

例如，使用所述推测装置1的推测方法中的各步骤及各步骤中所包含的功能等能够以逻辑上不矛盾的方式重新配置，可变更步骤的顺序或者将多个步骤组合成一个步骤或进行分割。

例如，本发明也可以作为记述有实现所述推测装置1的各功能的处理内容的程序或者记录有程序的存储介质来实现。希望被理解的是这些方案也均包含于本发明的范围内。