2024-010649

特願２０２２－５３１３１１「学習モデル生成装置、ストレス推定装置、学習モデル生成方法、ストレス推定方法、及びプログラム」拒絶査定不服審判事件〔２０２１年（令和３年）１２月３０日国際公開、ＷＯ２０２１／２６０８３６〕について、次のとおり審決する。

結 論 本件審判の請求は、成り立たない。

理 由 第１．手続の経緯 本願は、２０２０年（令和２年）６月２４日を国際出願日とする日本語特許出願であって、その手続の経緯の概略は、次のとおりである。 令和４年１２月１９日 ：手続補正書提出 令和５年１０月３１日付け：拒絶理由通知 令和６年 ２月１６日 ：意見書提出 同日 ：手続補正書提出 令和６年 ３月１２日付け：拒絶査定（以下「原査定」という。） （同年 ４月 ２日 ：原査定の謄本の送達） 同年 ６月２７日 ：審判請求書、手続補正書の提出 同年 ７月１９日付け：前置報告書 第２．令和６年６月２７日にされた手続補正についての補正の却下の決定 ［補正の却下の決定の結論］ 令和６年６月２７日にされた手続補正を却下する。 ［補正の却下の決定の理由］ １ 補正の内容 令和６年６月２７日にされた手続補正（以下「本件補正」という。）は、特許請求の範囲の補正をするものであり、本件補正により、次の(１)に示す本件補正前（令和６年２月１６日にされた手続補正後のものをいう。以下同じ。）の特許請求の範囲の請求項１の記載は、後記(２)に示す本件補正後の特許請求の範囲の請求項１の記載に補正された。下線は補正箇所を示す。 (１)本件補正前 「【請求項１】 生体において同時に測定された発汗データ及び前記発汗データ以外の生体データを、訓練データとして取得する、訓練データ取得部と、 前記訓練データとなる発汗データから第１の特徴量を抽出し、前記訓練データとなる前記発汗データ以外の生体データから第２の特徴量を抽出する、特徴量抽出部と、 抽出された前記第１の特徴量と抽出された前記第２の特徴量とを機械学習して、発汗データ以外の生体データから、それに対応する発汗データの特徴量を推定する、機械学習モデルを生成する、機械学習モデル生成部と、 を備え、 発汗データ以外の生体データが、心電データ、心拍データ、脈波データ、呼吸データ、瞳孔データ、血圧データ、及び脳波データのうちの少なくとも１つである、 ことを特徴とする、学習モデル生成装置。」 (２)本件補正後 「【請求項１】 生体において同時に測定された発汗データ及び前記発汗データ以外の生体データを、訓練データとして取得する、訓練データ取得部と、 前記訓練データとなる発汗データから第１の特徴量を抽出し、前記訓練データとなる前記発汗データ以外の生体データから第２の特徴量を抽出する、特徴量抽出部と、 抽出された前記第１の特徴量と抽出された前記第２の特徴量とを機械学習して、発汗データ以外の生体データから、それに対応する発汗データの特徴量を推定する、機械学習モデルを生成する、機械学習モデル生成部と、 を備え、 発汗データ以外の生体データが、交感神経及び副交換神経の両方の影響を示すデータであって、心電データ、心拍データ、脈波データ、呼吸データ、瞳孔データ、血圧データ、及び脳波データのうちの少なくとも１つであり、 発汗データが、副交感神経の影響を含まないデータである、 ことを特徴とする、学習モデル生成装置。」 (３)本件補正の内容 本件補正後の請求項１の記載は、上記(２)に示したとおりであるところ、本件補正は次のア及びイの補正事項からなり、本件補正前の請求項１に記載された発明と本件補正後の請求項１に記載される発明は、産業上の利用分野及び解決しようとする課題が同一であると認められる。 ア 本件補正前の「発汗データ以外の生体データ」について、「交感神経及び副交換神経の両方の影響を示すデータであ」るものに限定すること。 イ 「発汗データが、副交感神経の影響を含まないデータであ」るとの記載を追加すること。 ２ 本件補正の適否（新規事項の追加） 本件補正が、願書に最初に添付した特許請求の範囲、明細書又は図面（以下「当初明細書等」という。）に記載された事項の範囲内においてしたものであるかについて以下検討する。 (１)当初明細書等の記載 上記１（３）にて示した本件補正の内容に関して、当初明細書等には次の記載がある。なお、下線は当合議体が付したものであり、以下同様である。 ア「[0005] ところで人の自律神経には、起きている時及び緊張している時に働く交感神経と、寝ている時及びリラックスしている時に働く副交感神経と、がある。そして、ストレスに関係しているのは交感神経であるので、ストレスレベルを正確に推定するためには、生体データから、交感神経による影響を示す特徴量を抽出すれば良い。 [0006] しかしながら、心拍は、交感神経による影響だけでは無く、副交感神経による影響も受けるため、生体データとして心拍データを用いる上記特許文献１に開示された方法には、上記特許文献２に開示された方法に比べて、精度が低いという問題がある。 [0007] 一方、発汗データは副交感神経による影響を受けにくく、上記特許文献２に開示された方法によれば、上記特許文献１に開示された方法よりも精度を高めることができる。しかし、発汗データを取得するための発汗センサは、心拍データを取得するための心拍センサに比べて種類・数が少なく、高価である。このため、上記特許文献２に開示された方法を実施するためには、センサの入手にコストがかかってしまうという問題がある。」 イ「[0024] 実施の形態１において、発汗データ以外の生体データ（以下「非発汗データ」と表記する）としては、心電データ、心拍データ、脈波データ、呼吸データ、瞳孔データ、血圧データ、及び脳波データが挙げられる。更に、非発汗データは、これらのうちの１つのみであっても良いし、２つ以上の組合せであっても良い。」 （２）引用文献６－７の記載事項及び技術常識の認定 ア 引用文献６に記載された事項及び技術常識１の認定 (ア) 引用文献６に記載された事項 当審において新たに引用する、本願の国際出願日前に発行された文献である特許第５９０１０８９号公報（以下「引用文献６」という。）には、次の記載がある。 「【００２８】 周波数解析部２４は、心電図モニタ１４により測定された心電データに基づいて心拍変動の周波数解析を行うことにより、高周波成分ＨＦ、低周波成分ＬＦを求める。 【００２９】 つまり、周波数解析部２４は、心電モニタ１４により測定された心電データを周波数解析した結果得られるパワースペクトルにおける高周波帯域の積分値である高周波成分ＨＦの値を算出して、副交感神経活動度指標とするＨＦ成分算出手段である。 【００３０】 また、周波数解析部２４は、心電図モニタ１４により測定された心電データを周波数解析した結果得られるパワースペクトルにおける低周波帯域の積分値である低周波成分ＬＦの値を算出して、交感神経活動度指標とするＬＦ成分算出手段である。 ・・・（中略）・・・ 【０１００】 また、本実施形態では、被診断者の心電データを測定し、その心電データから得られた心電図Ｒ－Ｒ間隔に基づいて算出された各指標の値を２次元表示するものとして説明したが、本発明はこれに限定されるものではない。一般的に心電データを測定するためには複数の電極を被診断者に装着する必要がある。そのため、より手軽で簡便に測定ができるように、簡易的な方法ではあるが、心電データの替わりに被診断者の脈波を測定し、その脈波データから脈波間隔を得て、心電データの場合と同様に周波数解析を行うことによっても、各指標の値を２次元表示することが可能である。 【０１０１】 具体的には、例えば生体の橈骨動脈に当てられた圧力センサを用いて被診断者の脈波を測定するような脈波測定器を、心電図モニタ１４の替わりに用いるような構成とすることにより、本願発明の認知症判定装置を構成することが可能となる。そして、このような構成の場合には、周波数解析部２４は、脈波データに基づいてＬＦ及びＨＦを算出することとなる。」 (イ) 技術常識１の認定 前記(ア)に示した引用文献６の摘記事項に例示されているように、次の技術事項は、国際出願時に当業者にとって技術常識であったと認められる。（以下「技術常識１」という。） ＜技術常識１＞ 「心電データ及び脈波データが、交感神経及び副交感神経の両方の影響を示すデータであること。」 イ 引用文献７に記載された事項及び技術常識２の認定 (ア) 引用文献７に記載された事項 当審において新たに引用する、本願の国際出願日前に発行された文献である特開２０１７－７４０９９号公報（以下「引用文献７」という。）には、次の記載がある。 「【００９１】 自律神経には交感神経と副交感神経の二つがあり、代謝、消化吸収、体温の維持、睡眠と覚醒のリズム、免疫、血液循環、ホルモンバランスの調節など人間の体の機能の維持調節を行っている。慢性疾患の７０～８０％は自律神経のバランスの崩れが原因と言われている。 【００９２】 副交感神経が優位な状態では、瞳孔が収縮、心拍数が低下、体温が低下、呼吸が深くなり呼吸数が低下するとともに、α波が増強されリラックスした状態になることが知られている。 逆に交感神経が優位な状態では、瞳孔が拡大、心拍数が増加、体温上昇、呼吸が浅くなり回数が増加するとともに、γ波が増強されストレスがある状態であることが知られている。 坐禅やヨーガの瞑想で、正しく深い呼吸を行うと副交感神経の働きを優位にすることができ、リラックスするとともにα波が増強される。リラックス後の睡眠時には熟睡でき強いδ波が発生することが知られている。 【００９３】 （血圧の測定） また信州大学の高木らの報告（第１２回日本生体医工学甲信越支部長野地区シンポジウム）によると、Ｆｉｂｅｒ Ｂｒａｇｇ Ｇｒａｔｉｎｇ（ＦＢＧ）センサーにより、無拘束状態で血圧を測定することができ、本発明の生体信号センサーとして利用できる。 副交感神経が優位に働きリラックスしているときは血管が広がり血行が良くなり血圧が低下する。逆にストレス時には交感神経が優位になり血圧が上昇する。」 (イ) 技術常識２の認定 前記(ア)に示した引用文献７の摘記事項に例示されているように、次の技術事項は、国際出願時に当業者にとって技術常識であったと認められる。（以下「技術常識２」という。） ＜技術常識２＞ 「瞳孔、心拍、呼吸、脳波、及び血圧が、交感神経及び副交感神経の両方の影響を示すこと。」 (３)新規事項の判断 ア 明示的な記載の有無 上記１（３）アに示した補正事項に関し、上記（１）にて摘記したように、当初明細書等には「心拍」が、「交感神経による影響だけでは無く、副交感神経による影響も受ける」ことが明示されている一方、「発汗データ以外の生体データ」として列挙されている「心電データ」及び「脈波データ、呼吸データ、瞳孔データ、血圧データ、及び脳波データ」が交感神経及び副交感神経の両方の影響を示すことは明示されていない。 そして、上記１（３）イに示した補正事項に関し、上記（１）にて摘記したように、当初明細書等には「発汗データ」が「副交感神経による影響を受けにく」いことが明示されている一方、副交感神経の影響を含まないデータであることを示す、又は示唆する記載はない。 イ 技術常識を踏まえた検討 上記（２）にて示した技術常識１及び技術常識２を踏まえると、「発汗データ以外の生体データ」として列挙されている「心電データ、心拍データ、脈波データ、瞳孔データ、呼吸データ、血圧データ、及び脳波データ」のすべてが交感神経及び副交感神経の両方の影響を示すデータであることは、国際出願時において当業者にとって技術常識であったといえる。 したがって、上記１（３）アに示した補正事項は、当初明細書等の記載から自明な事項であると認められる。 一方、「発汗データ」が「副交感神経による影響を受けにく」いことは、文言上、発汗データが副交感神経による影響を受けないという意味ではないこと、すなわち、発汗データが副交感神経による影響を含まないことを意味するものでないことは明らかである。そして「発汗データ」が「副交感神経による影響を受けにく」いことを、発汗データが副交感神経により影響を含まないことに限定して解することができることを示す技術常識もない。 したがって、上記１（３）イに示した補正事項は、当初明細書等の記載から自明な事項とは認められない。 （４）小括 ア 上記（３）にて説示したとおり、上記１（３）イに示した本件補正後の請求項１に記載された事項は、当初明細書等に明示的な記載がなく、当初明細書等の記載から自明であるとも認められない。 イ これに対し、審判請求人は、審判請求書において、上記１（３）イに示した補正事項は当初明細書等に明示的に記載された事項への補正、又は当初明細書等の記載から自明な事項への補正に相当し、新規事項の追加には該当しない旨主張するが、上記（３）にて説示したとおりであるから、採用できない。 ウ したがって、上記１に示した本件補正は、当初明細書等に記載された全ての事項を総合することにより導かれる技術的事項との関係において、新たな技術的事項を導入するものである。 ３ 本件補正の適否（目的該当性違反） 次に、上記１に示した本件補正が、特許法１７条の２第５項２号に規定する特許請求の範囲の減縮（同法第３６条第５項の規定により請求項に記載した発明を特定するために必要な事項を限定するものであつて、その補正前の当該請求項に記載された発明とその補正後の当該請求項に記載される発明の産業上の利用分野及び解決しようとする課題が同一であるものに限る。）を目的とするものに該当するか否かを検討する。 （１）特許請求の範囲の減縮の判断 上記１（３）アに示した補正事項に関し、「発汗以外の生体データ」には、交感神経の影響と副交感神経の影響の観点からは、両者の影響を受けるものや前者のみの影響を受けるもの等様々なものが含まれ得るところ、上記１（３）アに示した補正事項は、交感神経及び副交感神経の影響の有無に関して特に限定がなされていない「発汗以外の生体データ」について、「交感神経及び副交換神経の両方の影響を示すデータ」に限定するものといえる。 一方、上記１（３）イに示した補正事項に関し、仮に、「発汗データが、副交感神経の影響を含まない」ことが、当初明細書（上記２（１）アの段落[0007]参照）に記載されるように、「副交感神経による影響を受けにく」いことを意味するものと解釈できるとした場合、当該補正事項は、発汗データが副交感神経による影響を受けにくいという、発汗データに関する一般の生理学的な事象について言及したものに過ぎないと理解できることから、当該補正事項は、本件補正前の請求項１に記載した発明を特定するために必要な事項である「発汗データ」を何ら限定するものとはいえない。 また、「発汗データが、副交感神経の影響を含まない」ことが、仮に「副交感神経による影響を受けにく」いこと以外を意味し、かつ、当初明細書等において対応する記載がないにも関わらず新規事項とならない補正事項であるとすれば、発汗データとは、そもそも、そのようなものであり、発汗データであれば、当然に有している事項について言及したものに過ぎない。よって、この場合にも、当該補正事項は、「発汗データ」を何ら限定するものとはいえない。 したがって、上記１（３）イに示した補正事項は、請求項に記載した発明を特定するために必要な事項を限定するものであつて、その補正前の当該請求項に記載された発明とその補正後の当該請求項に記載される発明の産業上の利用分野及び解決しようとする課題が同一であるものには該当しない。 （２）小括 ア 上記（１）にて説示したとおり、上記１（３）イに示した本件補正後の請求項１に記載された事項は、特許法１７条の２第５項２号に規定する特許請求の範囲の減縮に該当するものとは認められない。 イ これに対し、審判請求人は、審判請求書において、上記１（３）イに示した補正事項は、補正前の請求項１に係る発明を特定するために必要な事項を限定する補正に該当する旨主張するが、上記（１）にて説示したとおりであるから、採用できない。 ウ さらに、上記１（３）イに示した補正事項が、特許法１７条の２第５項１号、３号及び４号に規定する「請求項の削除」、「誤記の訂正」及び「明りようでない記載の釈明（拒絶理由通知に係る拒絶の理由に示す事項についてするものに限る。）」のいずれにも該当しないことは明らかである。 ４ 本件補正の適否についてのまとめ したがって、本件補正は、上記２において示したとおり、当初明細書等に記載された事項の範囲内においてしたものであるとはいえないから、特許法１７条の２第３項に規定する要件に違反するものである。 また仮に、本件補正が当初明細書等に記載された事項の範囲内においてしたものであるとしても、本件補正は、上記３において示したとおり、特許法１７条の２第５項各号のいずれを目的とするものではない補正であり、特許法１７条の２第５項の規定に違反するもの（目的該当性違反）であるから、同法１５９条１項において読み替えて準用する同法５３条１項の規定により却下されるべきものである。 よって、上記補正の却下の決定の結論のとおり決定する。 第３．本願発明について １ 本願発明１ 本件補正は、上記第２に示したとおり却下したので、本願の請求項１に係る発明（以下「本願発明１」という。）は、令和６年２月１６日にされた手続補正により補正された特許請求の範囲の請求項１に記載された事項（上記第２の１（１）参照）により特定されるとおりのものである。 本願発明１の構成を便宜上次のように構成Ｘと構成Ａ～Ｄに分説する。 「【請求項１】 Ａ 生体において同時に測定された発汗データ及び前記発汗データ以外の生体データを、訓練データとして取得する、訓練データ取得部と、 Ｂ 前記訓練データとなる発汗データから第１の特徴量を抽出し、前記訓練データとなる前記発汗データ以外の生体データから第２の特徴量を抽出する、特徴量抽出部と、 Ｃ 抽出された前記第１の特徴量と抽出された前記第２の特徴量とを機械学習して、発汗データ以外の生体データから、それに対応する発汗データの特徴量を推定する、機械学習モデルを生成する、機械学習モデル生成部と、 を備え、 Ｄ 発汗データ以外の生体データが、心電データ、心拍データ、脈波データ、呼吸データ、瞳孔データ、血圧データ、及び脳波データのうちの少なくとも１つである、 ことを特徴とする、 Ｘ 学習モデル生成装置。」 ２ 原査定の拒絶の理由 原査定における本願発明１についての拒絶の理由（理由２：進歩性の欠如）の概要は、次のとおりである。 理由２（進歩性の欠如）： 本願発明１は、国際出願日前に発行された下記の引用文献１及び３に記載された発明に基づいて、当業者が容易に発明をすることができたものであるから、特許法第２９条第２項の規定により特許を受けることができない。 記 引用文献１：国際公開第２０１８／１６３５５８号 引用文献３：国際公開第２０１９／１３５４０３号（周知技術を示す文献） ３ 各引用文献に記載された事項及び引用発明の認定等 （１）引用文献１の記載事項及び引用発明の認定 ア 引用文献１の記載事項 原査定の拒絶の理由において引用された、本願の国際出願日前に発行された文献である国際公開第２０１８／１６３５５８号（以下「引用文献１」という。）には、以下の事項が記載されている。 （ア）「[0017] ＜＜１．２．システム構成例＞＞ 次に、本実施形態に係る情報処理システムのシステム構成例について説明する。図１は、本実施形態に係る情報処理システムのシステム構成例を示す図である。図１に示すように、本実施形態に係る情報処理システムは、情報処理端末１０および情報処理装置２０を備えてもよい。また、情報処理端末１０および情報処理装置２０は、ネットワーク５０を介して、互いに通信が行えるように接続される。 [0018] （情報処理端末１０） 本実施形態に係る情報処理端末１０は、ユーザに係る種々のセンサ情報を収集する情報処理装置である。情報処理端末１０により収集される上記のセンサ情報は、情報処理装置２０による健康指標の算出や行動推定などに用いられ得る。本実施形態に係る情報処理端末１０は、例えば、ユーザが所持する携帯電話、スマートフォン、タブレット、または各種のウェアラブルデバイスなどであってよい。図１には、本実施形態に係る情報処理端末１０がユーザの所持するリストバンド型のウェアラブルデバイスである場合の一例が示されている。 [0019] （情報処理装置２０） 本実施形態に係る情報処理装置２０は、情報処理端末１０が収集したセンサ情報に基づいてユーザの健康指標を算出し、改善を要する要改善項目を決定する機能を有する。要改善項目の一例には、例えば、睡眠量や活動量などが挙げられる。また、本実施形態に係る情報処理装置２０は、上記のような要改善項目に基づいて、要改善項目を改善する改善手段と要改善項目が達成された場合に供される娯楽に関する報酬とを決定する機能を有する。さらに、本実施形態に係る情報処理装置２０は、上記の改善手段および報酬に係るユーザへの提示を制御する機能を有する。 [0020] 図１には、本実施形態に係る情報処理装置２０がユーザの所持するスマートフォンである場合の一例が示されている。この場合、情報処理装置２０は、スマートフォンの表示部に上記の改善手段および報酬の内容を表示させてよい。 [0021] また、本実施形態に係る情報処理装置２０は、逐次算出される健康指標の変動に基づいて要改善項目が改善されたか否かを判定する機能を有する。さらに、情報処理装置２０は、ユーザへの報酬の提供を制御する機能を有する。具体的には、情報処理装置２０は、要改善項目が改善されたと推定した場合、ユーザへ報酬を与える制御を行ってよい。例えば、図１に示す一例の場合、情報処理装置２０は、スマートフォンの動作部に報酬に対応する動作を行わせることができる。 [0022] なお、図１では、情報処理装置２０がスマートフォンである場合の一例が示されているが、本実施形態に係る情報処理装置２０は係る例に限定されない。本実施形態に係る情報処理装置２０は、例えば、クラウドに配置されるサーバなどであってもよい。この場合、情報処理装置２０は、ユーザが所持するスマートフォンなどを制御し、改善手段および報酬の内容の提示や、報酬の提供などを行わせることができる。 [0023] また、本実施形態に係る情報処理装置２０は、改善手段および報酬の内容の提示と報酬の提供とを、それぞれ異なる制御対象に行わせてもよい。例えば、情報処理装置２０は、改善手段および報酬の内容の提示をテレビジョン装置に行わせ、報酬の提供をスマートフォンに行わせることも可能である。このように、本実施形態に係る情報処理装置２０の形態や情報処理装置２０の制御対象は、仕様や運用に応じて柔軟に変更され得る。 [0024] ＜＜１．３．情報処理端末１０の機能構成例＞＞ 次に、本実施形態に係る情報処理端末１０の機能構成例について説明する。図２は、本実施形態に係る情報処理端末１０の機能ブロック図の一例である。図２に示すように、本実施形態に係る情報処理端末１０は、センサ部１１０、入力部１２０、出力部１３０、端末制御部１４０、および通信部１５０を備え得る。 [0025] （センサ部１１０） センサ部１１０は、ユーザに係る種々のセンサ情報を収集する機能を有する。上述したように、センサ部１１０により収集されるセンサ情報は、情報処理装置２０による健康指標の算出に用いられる。このため、センサ部１１０が収集するセンサ情報には、ユーザの生体情報が含まれてよい。ここで、上記の生体情報には、例えば、脈波、発汗、血圧、筋電位、心電、眼電位、脳波、瞳孔開口率、体温などの情報が含まれる。このため、センサ部１１０は、上記のような生体情報を収集するセンサを備える。 [0026] また、センサ部１１０は、情報処理装置２０による行動推定に用いられるセンサ情報を収集してよい。このため、センサ部１１０は、例えば、加速度センサ、ジャイロセンサ、気圧センサ、気温センサ、湿度センサ、筋電センサ、マイクロフォン、振動センサ、圧力センサ、撮像センサ、ＧＰＳセンサなどを備える。 [0027] （入力部１２０） 入力部１２０は、ユーザによる入力操作を受け付ける機能を有する。このために、本実施形態に係る入力部１２０は、ユーザによる入力操作を検出するための各種の装置やセンサを含んでよい。入力部１２０は、例えば、タッチパネル、ボタン、キーボード、スイッチなどを備える。また、入力部１２０は、ユーザの音声を収集するマイクロフォンを備えてもよい。 [0028] （出力部１３０） 出力部１３０は、利用者に対し視覚情報および音声情報を提示する機能を有する。このために、本実施形態に係る出力部１３０は、例えば、タッチパネル、液晶ディスプレイ（ＬＣＤ：Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）装置、ＯＬＥＤ（Ｏｒｇａｎｉｃ Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅ）装置などを備える。また、本実施形態に係る出力部１３０は、音声を出力するスピーカーやアンプを備えてもよい。なお、本実施形態に係る出力部１３０は、情報処理装置２０による制御対象であり得る。このため、本実施形態に係る出力部１３０は、情報処理装置２０による制御に基づいて、改善手段および報酬の内容を出力してもよい。また、出力部１３０は、情報処理装置２０による制御に基づいて、報酬をユーザに提供してもよい。 [0029] （端末制御部１４０） 端末制御部１４０は、情報処理端末１０が備える各構成の動作を制御する機能を有する。また、端末制御部１４０は、例えば、情報処理端末１０にインストールされるＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）や各種のアプリケーションの制御を行う。 [0030] （通信部１５０） 通信部１５０は、ネットワーク５０を介して、情報処理装置２０との情報通信を行う機能を有する。具体的には、通信部１５０は、センサ部１１０が収集したセンサ情報を情報処理装置２０に送信する。また、通信部１５０は、改善手段および報酬の内容提示や報酬の提供に係る制御信号を受信してもよい。 [0031] 以上、本実施形態に係る情報処理端末１０の機能構成例について説明した。なお、図２を用いて説明した上記の機能構成はあくまで一例であり、本実施形態に係る情報処理端末１０の機能構成は係る例に限定されない。例えば、本実施形態に係る情報処理端末１０は、必ずしも上述した構成のすべてを備えなくてもよい。また、情報処理端末１０は、図２に示す以外の構成をさらに備えてもよい。本実施形態に係る情報処理端末１０の機能構成は、仕様や運用に応じて柔軟に変形され得る。 [0032] ＜＜１．４．情報処理装置２０の機能構成例＞＞ 次に、本実施形態に係る情報処理装置２０の機能構成例について説明する。図３は、本実施形態に係る情報処理装置２０の機能ブロック図の一例である。図３に示すように、本実施形態に係る情報処理装置２０は、健康指標算出部２１０、センサＤＢ２２０、行動推定部２３０、行動‐指標ＤＢ２４０、状況推定部２５０、制御部２６０、提示部２７０、動作部２８０、および通信部２９０を備え得る。 [0033] （健康指標算出部２１０） 健康指標算出部２１０は、情報処理端末１０により収集されたセンサ情報に基づいて健康指標を算出する機能を有する。また、本実施形態に係る健康指標算出部２１０は、算出した健康指標に基づいて、改善を要する要改善項目を設定する機能を有する。ここで、本実施形態に係る健康指標は、下記の表１に示すように、複数の異なる項目を含んでもよい。 [0034] ［図：0001424373000001.jpg］ [0035] 上記の表１には、本実施形態に係る健康指標の項目、当該項目の算出に用いられるセンサ情報、また当該センサ情報を収集する情報処理端末１０の種別の一例が示されている。例えば、本実施形態に係る健康指標算出部２１０は、表１に示すように、ウェアラブルデバイス型の情報処理端末１０により収集された加速度情報や脈波情報に基づいて睡眠量を算出してもよい。より具体的には、健康指標算出部２１０は、加速度から寝返りを認識し、当該寝返りの回数に基づいて睡眠の質を判定してもよい。また、健康指標算出部２１０は、脈波情報から心拍数を算出し、心拍数の時間変動を周波数変換によりＬＦ（Ｌｏｗ Ｆｒｅｑｕｅｎｃｙ：低周波）成分およびＨＦ（Ｈｉｇｈ Ｆｒｅｑｕｅｎｃｙ：高周波）成分に分離し、両者の比（ＬＦ／ＨＦ）を自律神経の活動の指標に用いることもできる。 [0036] このように、本実施形態に係る健康指標算出部２１０は、センサ情報に応じたノイズ除去や特徴抽出を行うことで、複数の項目に係る健康指標を算出することができる。また、本実施形態に係る健康指標算出部２１０は、算出した複数の項目のそれぞれの値に基づいて要改善項目を設定してよい。例えば、健康指標算出部２１０は、複数の項目のうち、定められた基準との差が最も大きい項目を要改善項目に設定することができる。具体的には、算出した睡眠量が８時間、活動量（エネルギー消費量）が２００ｋｃａｌであり、定められた基準がそれぞれ６時間、４５０ｋｃａｌである場合、健康指標算出部２１０は、活動量が基準を下回ることに基づいて、活動量を要改善項目に設定してよい。本実施形態に係る健康指標算出部２１０が有する上記の機能によれば、ユーザにより重要な要改善項目を提示することが可能となり、また、例えば、ユーザが自覚していない健康状態を指摘するなどの効果も期待される。 [0037] なお、本実施形態に係る健康指標は必ずしも複数の項目を含まなくてもよい。健康指標が単一の項目に関する場合であっても、健康指標算出部２１０は当該項目と基準値とを比較し、算出値が基準値を下回る場合には当該項目を要改善項目に設定することができる。 [0038] また、本実施形態に係る健康指標算出部２１０は、ニューラルネットワークなどの機械学習技術を用いて、同時刻に収集されたセンサ情報を用いた演算を行ってもよい。上記によれば、単一のセンサ情報を用いて得られる健康指標を、複数の生体信号の関係性に基づいて推測する変換式などを学習することが可能となり、より精度や汎化性の高い健康指標の算出を行うことができる。 [0039] 例えば、健康指標算出部２１０は、例えば、発汗と脈波に係る情報を用いて教師あり学習を行ってもよい。この際、健康指標算出部２１０は、発汗情報から算出される信頼性の高い交感神経活性度を教師に、脈波情報を生徒に学習を行うことができる。上記の学習によれば、入力される脈波情報に基づいて交感神経活性度を推定する変換式を得ることができ、発汗に係るセンサ情報が得られない場合であっても、脈波情報のみを用いて交感神経活性度を推定することが可能となる。 [0040] （センサＤＢ２２０） センサＤＢ２２０は、情報処理端末１０が収集したセンサ情報を蓄積するデータベースである。本実施形態に係るセンサＤＢ２２０は、同時刻に収集された異なる種類のセンサ情報を時間軸に沿って記憶する機能を有する。このように、センサＤＢ２２０が同時刻に得られた複数の種類のセンサ情報を記憶することで、健康指標算出部２１０が上述したような学習を行うことが可能となる。 [0041] （行動推定部２３０） 行動推定部２３０は、情報処理端末１０が収集したセンサ情報に基づいてユーザの行動を推定する機能を有する。例えば、本実施形態に係る行動推定部２３０は、制御部２６０が決定した要改善項目を改善するための改善手段に対応するユーザの行動を推定することができる。ここで、本実施形態に係る改善手段は、行動種別および当該行動種別の強度を含んでよい。すなわち、本実施形態に係る行動推定部２３０は、ユーザが改善手段に対応する行動を行ったか、また、どの程度の強度で当該行動を行ったか、を推定することができる。 [0042] また、本実施形態に係る行動推定部２３０は、推定したユーザの行動と健康指標算出部２１０が算出した健康指標とを関連付けて行動‐指標ＤＢ２４０に時系列に記憶させる機能を有する。本実施形態に係る行動推定部２３０が有する上記の機能によれば、後述するように、制御部２６０がより効果的な改善手段や報酬を決定することが可能となる。 [0043] （行動‐指標ＤＢ２４０） 行動‐指標ＤＢ２４０は、行動推定部２３０による制御に基づいて、推定されたユーザの行動と算出された健康指標とを対応付けて時系列に記憶するデータベースである。行動‐指標ＤＢ２４０には、例えば、ユーザが行動Ａを行っている間の健康指標の変動、ユーザが行動Ｂを行っている間の健康指標の変動などが記憶される。 [0044] （状況推定部２５０） 状況推定部２５０は、ユーザの状況を推定する機能を有する。状況推定部２５０が推定するユーザの状況は、制御部２６０による改善手段や報酬の決定に用いられてよい。ここで、上記のユーザの状況には、例えば、ユーザのスケジュールが含まれる。本実施形態に係る状況推定部２５０は、例えば、スケジュールアプリケーションから取得した情報に基づいて、ユーザのスケジュールを推定してもよい。また、状況推定部２５０は、メッセージアプリケーションなどにおいてユーザが送受信したテキスト情報から予定に関するキーワードを抽出することで、ユーザのスケジュールを推定してもよい。また、状況推定部２５０は、ユーザの発話から予定に関するキーワードを抽出し、スケジュールを推定することも可能である。 [0045] また、本実施形態に係るユーザの状況には、ユーザの体調が含まれてもよい。状況推定部２５０は、例えば、情報処理端末１０が収集したセンサ情報に含まれる体温の値からユーザの体調を推定することができる。また、状況推定部２５０は、収集されたＧＰＳ情報からユーザが医療機関に訪問したことを検出し、ユーザの体調を推定してもよい。また、状況推定部２５０は、ユーザの発話や咳、くしゃみなどからユーザの体調を推定することも可能である。 [0046] （制御部２６０） 制御部２６０は、健康指標算出部２１０が算出した要改善項目に基づいて、要改善項目を改善するための改善手段と要改善項目が改善された場合に供される報酬とを決定する機能を有する。この際、本実施形態に係る制御部２６０は、ユーザの好む娯楽に関する報酬を決定してよい。また、本実施形態に係る制御部２６０は、決定した改善手段および報酬の内容をユーザに対し提示させる機能を有する。 [0047] さらに、本実施形態に係る制御部２６０は、逐次算出される健康指標の変動に基づいて要改善項目が改善されたか否かを判定する機能を有する。この際、制御部２６０は、要改善項目が改善されたと判定したことに基づいて、制御対象に上記の報酬に対応する動作を行わせる。本実施形態に係る制御部２６０によれば、報酬を得ようとする心理を利用して、ユーザに自発的な改善手段の実行を促すことが可能となる。 [0048] また、本実施形態に係る制御部２６０は、行動推定部２３０が推定したユーザの行動が健康指標に与える影響度を算出し、当該影響度に基づいて、改善手段を決定する機能を有してよい。この際、制御部２６０は、行動‐指標ＤＢ２４０に記憶される情報に基づいて、改善手段を決定することができる。制御部２６０は、例えば、改善手段に対応する行動をユーザが行った際に変動した健康指標の値に基づいて、より効果的な改善手段を決定してよい。 [0049] なお、上述したように、本実施形態に係る改善手段には、行動種別および当該行動種別の強度が含まれる。例えば、本実施形態に係る制御部２６０は、要改善項目が活動量である場合、行動種別をランニング、強度を３０分と指定した改善手段を決定してもよい。制御部２６０は、ユーザの行動が健康指標に与える影響度に基づいて、上記の行動種別や強度を変更してよい。本実施形態に係る制御部２６０によれば、ユーザの特性に応じた改善手段を都度決定することができ、より効果の高い健康改善効果が期待できる。なお、制御部２６０は、必ずしも上記の強度を決定しなくてもよい。制御部２６０は、改善手段に係る行動種別のみを決定し、当該行動種別をユーザに提示させてもよい。 [0050] また、本実施形態に係る制御部２６０は、状況推定部２５０が推定したユーザの状況に基づいて、改善手段や報酬を決定してもよい。上述したように、本実施形態に係るユーザの状況には、ユーザのスケジュールや体調などが含まれる。本実施形態に係る制御部２６０が有する上記の機能によれば、よりユーザの日常に溶け込んだ無理のない行動変容を促すことが可能となる。なお、本実施形態に係る制御部２６０が有する機能の詳細および具体例については、別途後述する。 [0051] （提示部２７０） 提示部２７０は、制御部２６０による制御に基づいて、改善手段および報酬の内容を提示する機能を有する。このために、本実施形態に係る提示部２７０は、視覚情報を出力する表示装置や、音声情報を出力するスピーカーなどを備える。 [0052] （動作部２８０） 動作部２８０は、制御部２６０による制御に基づいて、報酬に対応する動作を行う機能を有する。なお、本実施形態に係る動作部２８０は、制御部２６０が決定した報酬に応じた種々の装置により実現される。本実施形態に係る動作部２８０の具体例については、別途詳細に説明する。 [0053] （通信部２９０） 通信部２９０は、ネットワーク５０を介して、情報処理端末１０との情報通信を行う機能を有する。具体的には、通信部２９０は、情報処理端末１０からセンサ情報を受信する。また、制御部２６０による制御対象が情報処理装置２０とは別途の装置である場合、通信部２９０は、改善手段および報酬の内容提示や報酬の提供に係る制御信号を制御対象に送信してよい。 [0054] 以上、本実施形態に係る情報処理装置２０の機能構成例について説明した。なお、図３を用いて説明した上記の機能構成はあくまで一例であり、本実施形態に係る情報処理装置２０の機能構成は係る例に限定されない。例えば、情報処理装置２０が備える各機能構成は複数の装置に分散されて実現されてもよい。また、情報処理装置２０は、上記に示した構成を必ずしもすべて備えなくてもよい。例えば、制御部２６０による制御対象が情報処理装置２０とは別途の装置である場合、情報処理装置２０は、提示部２７０や動作部２８０を備えなくてもよい。一方、本実施形態に係る情報処理装置２０は、提示部２７０や動作部２８０と外部の装置との両方を制御対処とすることも可能である。本実施形態に係る情報処理装置２０の機能構成は、仕様や運用に応じて適宜変形され得る。」 イ 引用発明の認定 上記アに摘記した引用文献１の記載事項を総合すると、引用文献１には、次の発明（以下「引用発明」という。）が記載されていると認められる。なお、認定の根拠となる記載箇所を括弧内に示した。 ＜引用発明＞ 「同時刻に収集された脈波、発汗、血圧、筋電位、心電、眼電位、脳波、瞳孔開口率、体温などの情報が含まれるユーザの生体情報が含まれるセンサ情報を収集するセンサ部１１０と（[0025]、 [0038]）、 ニューラルネットワークなどの機械学習技術を用いて、同時刻に収集されたセンサ情報を用いた演算を行う健康指標算出部２１０と、 を備え（[0032]、[0038]）、 健康指標算出部２１０は、発汗情報から算出される信頼性の高い交感神経活性度を教師に、脈波情報を生徒に学習を行うことができ、入力される脈波情報に基づいて交感神経活性度を推定する変換式を得ることができる（[0039]）、 情報処理システム（[0017]）。」 （２）引用文献３の記載事項及び周知技術の認定 ア 引用文献３に記載された事項 原査定の拒絶の理由において引用された、本願の国際出願日前に発行された文献である国際公開第２０１９／１３５４０３号（以下「引用文献３」という。）には、次の記載がある。 （ア）「[0016] （実施形態） 以下、図面を参照しながら本発明の実施形態について詳しく説明する。図１は、本実施形態に係るラベル付与装置１を用いた機械学習による行動認識の概要を示す図である。この機械学習による行動認識では、被験者の行動の時系列を推定する。ラベル付与装置１を用いた機械学習による行動認識には、学習フェーズと、推定フェーズとがある。 [0017] 学習フェーズでは、教師データＴＤが生成され、生成された教師データＴＤを用いた機械学習により学習モデルＬＭが生成される。本実施形態のラベル付与装置１は、この教師データＴＤを生成する。 [0018] 教師データＴＤは、センサデータＳＤ１から抽出される特徴量ベクトルＦＶと、教師ラベルＬＬとの組である。ここで教師ラベルＬＬとは、被験者の行動を示すキーワードである。教師ラベルＬＬは、例えば、［食べた］、「トイレ」、「薬を飲んだ」、「錠剤を服用した」、「服用」、「散歩」、「走った」などの被験者の行動を示すキーワードである。センサデータＳＤ１とは、被験者の動作や姿勢を測定するセンサが測定した値を、値が測定された時間の順に並べた時系列データである。 [0019] センサとは、例えば、被験者の生体情報を取得するセンサや、被験者の体動を検知する加速度計などである。センサが測定した値とは、被験者の心拍数や、センサが取りつけられた身体の部位の加速度である。このセンサは、被験者の身体に設けられてもよいし、被験者の周囲に設置されてもよい。被験者の周囲に設置される場合、センサは、被験者の周囲に設置されたカメラが被験者を撮像した画像を画像解析することにより、被験者の動作や姿勢を測定してもよい。センサは、環境センサであってもよい。センサが環境センサである場合、被験者の周囲の明るさ、室温、気温、及び湿度などの環境データを測定してもよい。また、センサは、人感センサであってもよい。ただし、センサが被験者の周囲に設置される場合、センサは、測定するデータが被験者についてのデータであることを識別できる。例えば、センサは、被験者の動作や姿勢と被験者以外の人物の動作や姿勢とを区別できる。また、センサは、環境データを被験者の住居の環境データと、他の場所の環境データとを区別できる。 [0020] 教師ラベルＬＬは、自然言語テキスト形式を用いて被験者の行動が記録されたテキストデータＴＸから、自然言語処理により行動キーワードＫＡが、教師ラベル候補ＬＣとして抽出され、抽出された教師ラベル候補ＬＣから生成される。ここで行動キーワードＫＡとは、被験者の行動を示すキーワードである。教師ラベル候補ＬＣとは、教師ラベルＬＬの候補である。つまり、被験者の行動を示すキーワードが、教師ラベルＬＬの候補として抽出される。テキストデータＴＸは、例えば、介護施設において被験者の介護の様子が記録された業務日誌として記述されたデータである。 [0021] 被験者の行動が記録されたテキストデータＴＸからは、教師ラベル候補ＬＣとともに、被験者の行動が行われた時刻の候補を示す時刻情報ＴＩが抽出される。ここで時刻情報ＴＩには、開始時刻の候補を示す開始時刻情報ＢＴ、及び終了時刻の候補を示す終了時刻情報ＥＴがある。教師ラベル候補ＬＣと、被験者の行動の開始時刻情報ＢＴ及び終了時刻情報ＥＴとからラベルセグメントＬＳが生成される。ここでラベルセグメントＬＳとは、教師ラベル候補ＬＣと、開始時刻情報ＢＴ及び終了時刻情報ＥＴとの組である。以下では、開始時刻情報ＢＴが示す被験者の行動の開始時刻の候補から、終了時刻情報ＥＴが示す被験者の行動の終了時刻の候補までの時間区間を、ラベルセグメントＬＳの時間区間ＩＮと呼ぶ。また、ラベルセグメントＬＳに含まれる開始時刻情報ＢＴが示す行動の開始時刻を、ラベルセグメントＬＳの開始時刻などと呼ぶことがある。ラベルセグメントＬＳに含まれる終了時刻情報ＥＴが示す行動の終了時刻を、ラベルセグメントＬＳの開始時刻などと呼ぶことがある。 [0022] 特徴量ベクトルＦＶとは、センサデータＳＤ１から抽出される１以上の特徴量を並べたベクトルである。センサデータＳＤ１の特徴量とは、ある時間間隔におけるデータの値の平均、標準偏差、最大値、最小値、増加率、及び１次微分の平均値などである。以下、時間間隔を、時間窓ＴＷと呼ぶ。抽出された１以上の特徴量は、時間窓ＴＷの中央値によって示される時刻における特徴量ベクトルＦＶを構成する。 時間窓ＴＷのサイズは、秒数などに基づいて予め決められてもよいし、特徴量を抽出するのに適したサイズとして決められてもよい。時間窓ＴＷ同士の間隔は、秒数などを用いて予め決められてもよいし、特徴量を抽出するのに適した間隔として決められてもよい。 [0023] 図１に示す例においては、時間窓ＴＷ１における１以上の特徴量が、時間窓ＴＷ１の中央値によって示される時刻における特徴量ベクトルＦＶ１として抽出されている。時間窓ＴＷ２における１以上の特徴量が、時間窓ＴＷ２の中央値によって示される時刻における特徴量ベクトルＦＶ２として抽出されている。時間窓ＴＷ３における１以上の特徴量が、時間窓ＴＷ３の中央値によって示される時刻における特徴量ベクトルＦＶ３として抽出されている。ただし、図１に示す例においては、時間窓ＴＷ１～時間窓ＴＷ３のみが図示されているが、時間窓ＴＷ１～時間窓ＴＷ３以外の時間窓に対応する特徴量ベクトルも抽出されている。 [0024] 図１に示す例では、センサデータＳＤ１が示す時間に対応する被験者の行動が記録されたテキストデータＴＸから１以上のラベルセグメントＬＳ１、ラベルセグメントＬＳ２、…が生成されている。ただし、図１に示す例においては、ラベルセグメントＬＳ１、ラベルセグメントＬＳ２のみが図示されているが、ラベルセグメントＬＳ１、ラベルセグメントＬＳ２以外のラベルセグメントＬＳｉ（ｉ＝３、４、…）も生成されている。 [0025] 抽出された特徴量ベクトルＦＶ１、特徴量ベクトルＦＶ２、特徴量ベクトルＦＶ３、…と、生成されたラベルセグメントＬＳ１、ラベルセグメントＬＳ２、…とから、教師あり学習を用いて、サンプルＳＭ１、サンプルＳＭ２、サンプルＳＭ３、…が生成される。ここでサンプルとは、ある時刻における特徴量ベクトルＦＶと、この時刻における教師ラベルＬＬとの組である。例えば、サンプルＳＭ１は、特徴量ベクトルＦＶ１と教師ラベルＬＬ１との組である。 [0026] ここで、特徴量ベクトルＦＶ１、特徴量ベクトルＦＶ２、特徴量ベクトルＦＶ３、…の数と、ラベルセグメントＬＳ１、ラベルセグメントＬＳ２、…の数とは一般に異なる。また、特徴量ベクトルＦＶ１、特徴量ベクトルＦＶ２、特徴量ベクトルＦＶ３、…の各々に対応する時刻と、ラベルセグメントＬＳ１の時間区間ＩＮ１、ラベルセグメントＬＳ２の時間区間ＩＮ２、…とは対応しているとは限らない。特徴量ベクトルＦＶ１、特徴量ベクトルＦＶ２、特徴量ベクトルＦＶ３、…と、ラベルセグメントＬＳ１、ラベルセグメントＬＳ２、…とから、教師あり学習により、特徴量ベクトルＦＶ１、特徴量ベクトルＦＶ２、特徴量ベクトルＦＶ３、…の各々に対応する教師ラベルＬＬ１、教師ラベルＬＬ２、教師ラベルＬＬ３、…が判定される。この教師あり学習の詳細については後述する。 [0027] 生成されたサンプルＳＭ１、サンプルＳＭ２、サンプルＳＭ３、…は教師データＴＤとなる。教師データＴＤを用いた機械学習により学習モデルＬＭが生成される。学習モデルＬＭは、センサデータＳＤ１から抽出されるある特徴量ベクトルＦＶｊが入力されると、センサデータＳＤ１が示す被験者の行動を示すキーワードを出力する関数である。 [0028] 推定フェーズでは、学習フェーズにおいて学習された学習モデルＬＭを用いて、センサデータＳＤ２から被験者の行動が推定される。推定フェーズにおいては、学習フェーズと異なり、センサデータＳＤ２が示す時間に対応する被験者の行動が記録されたテキストデータＴＸが用いられずに、学習モデルＬＭに基づいてセンサデータＳＤ２から推定ラベルＥＬが推定される。推定ラベルＥＬとは、センサデータＳＤ２が示す時間に対応する被験者の行動を示すキーワードである。 [0029] センサデータＳＤ２から、時間窓ＥＴＷ１に対応する特徴量ベクトルＥＦＶ１が生成される。センサデータＳＤ２から、時間窓ＥＴＷ２に対応する特徴量ベクトルＥＦＶ２が生成される。センサデータＳＤ２から、時間窓ＥＴＷ３に対応する特徴量ベクトルＥＦＶ３が生成される。特徴量ベクトルＥＦＶ１、特徴量ベクトルＥＦＶ２、特徴量ベクトルＥＦＶ３、…から、学習モデルＬＭに基づいて推定ラベルＥＬ１、推定ラベルＥＬ２、推定ラベルＥＬ３、…がそれぞれ推定される。」 イ 周知技術１の認定 上記アに示した引用文献３の摘記事項に例示されているように、次の技術事項は、国際出願時において当業者にとって周知技術であったと認められる。（以下「周知技術１」という。） ＜周知技術１＞ 「機械学習の技術分野において、データを用いて機械学習を行うにあたり、データから特徴量を抽出して機械学習を行うこと。」 ４ 本願発明１と引用発明の対比 （１）対比分析 本願発明１と引用発明を対比する。 ア 構成Ａの観点（訓練データ取得部について） （ア）引用発明の「同時刻に収集された脈波、発汗、血圧、筋電位、心電、眼電位、脳波、瞳孔開口率、体温などの情報が含まれるユーザの生体情報が含まれるセンサ情報」は、本願発明１の「生体において同時に測定された発汗データ及び前記発汗データ以外の生体データ」に相当する。 （イ）引用発明において、「ニューラルネットワークなどの機械学習技術を用いて、同時刻に収集されたセンサ情報を用いた演算」が行われることから、引用発明の「同時刻に収集された・・・センサ情報」は、本願発明１の「訓練データ」にも相当し、「同時刻に収集された・・・センサ情報を収集するセンサ部１１０」は、本願発明１の「訓練データ取得部」に相当する。 （ウ）したがって、本願発明１と引用発明は、次の点において一致する。 「生体において同時に測定された発汗データ及び前記発汗データ以外の生体データを、訓練データとして取得する、訓練データ取得部」を備える点。 イ 構成Ｂの観点（特徴量抽出部について） （ア）構成Ｂは、「前記訓練データとなる発汗データから第１の特徴量を抽出し、前記訓練データとなる前記発汗データ以外の生体データから第２の特徴量を抽出する、特徴量抽出部」を備えることである。 （イ）引用発明は、本願発明１の構成Ｂに相当する構成を備えていないから、本願発明１と引用発明は、次の点において相違する。 本願発明１は、「前記訓練データとなる発汗データから第１の特徴量を抽出し、前記訓練データとなる前記発汗データ以外の生体データから第２の特徴量を抽出する、特徴量抽出部」を備えるのに対して、 引用発明は、そのような特定がない点。 ウ 構成Ｃの観点（機械学習モデル生成部について） （ア）引用発明の「発汗情報から算出される信頼性の高い交感神経活性度」、「脈波情報」、「健康指標算出部２１０」は、それぞれ本願発明１の「発汗データ」、「発汗データ以外の生体データ」、「機械学習モデル生成部」に相当する。 （イ）そして、引用発明の「発汗情報から算出される信頼性の高い交感神経活性度を教師に、脈波情報を生徒に学習を行うことができ、脈波情報に基づいて交感神経活性度を推定する変換式を得る」は、本願発明１の「発汗データ以外の生体データから、それに対応する発汗データ」「を推定する、機械学習モデルを生成する」に相当する。 （ウ）一方、引用発明は、構成Ｃの「抽出された前記第１の特徴量と抽出された前記第２の特徴量とを機械学習して、」（発汗データ以外の生体データから、それに対応する）「発汗データの特徴量を推定する」構成を備えていない。 （エ）したがって、本願発明１と引用発明は、「発汗データ以外の生体データから、それに対応する発汗データを推定する、機械学習モデルを生成する、機械学習モデル生成部と、を備え」る点で一致し、次の点において相違する。 本願発明１は、「抽出された前記第１の特徴量と抽出された前記第２の特徴量とを機械学習して、」「発汗データの特徴量を推定する」のに対して、引用発明は、そのような特定がない点。 エ 構成Ｄの観点（発汗データ以外の生体データについて） （ア）引用発明の「脈波、」「血圧、筋電位、心電、眼電位、脳波、瞳孔開口率、体温などの情報が含まれるユーザの生体情報が含まれるセンサ情報」は、本願発明１の「発汗データ以外の生体データ」に相当するとともに、「心電データ、心拍データ、脈波データ、呼吸データ、瞳孔データ、血圧データ、及び脳波データのうちの少なくとも１つ」に相当する。 （イ）したがって、本願発明１と引用発明は、次の点において一致する。 「発汗データ以外の生体データが、心電データ、心拍データ、脈波データ、呼吸データ、瞳孔データ、血圧データ、及び脳波データのうちの少なくとも１つである」点。 オ 構成Ｘの観点（学習モデル生成装置） （ア）引用発明は、「ニューラルネットワークなどの機械学習技術を用いて、同時刻に収集されたセンサ情報を用いた演算を行う健康指標算出部２１０」を備える「情報処理システム」であるから、機械学習技術により学習モデルを生成する装置を含むことは自明である。 （イ）したがって、引用発明は、「学習モデル生成装置」の発明である点において本願発明１と一致する。 （２）一致点及び相違点 上記（１）の対比分析の結果をまとめると、本願発明１と引用発明は、次のアに示す一致点において一致し、イに示す相違点において相違すると認められる。 ア 一致点 「生体において同時に測定された発汗データ及び前記発汗データ以外の生体データを、訓練データとして取得する、訓練データ取得部と、 発汗データ以外の生体データから、それに対応する発汗データを推定する、機械学習モデルを生成する、機械学習モデル生成部と、 を備え、 発汗データ以外の生体データが、心電データ、心拍データ、脈波データ、呼吸データ、瞳孔データ、血圧データ、及び脳波データのうちの少なくとも１つである、 ことを特徴とする、学習モデル生成装置」の発明である点。 イ 相違点 本願発明１は、「前記訓練データとなる発汗データ」と「前記訓練データとなる前記発汗データ以外の生体データ」を元に機械学習する際に、「第１の特徴量」及び「第２の特徴量」を抽出して行い、「発汗データ以外の生体データ」から「それに対応する発汗データ」を推定する際には、「発汗データの特徴量」を推定するのに対し、引用発明はそのような特定をしていない点。 ５ 判断 （１）上記相違点についての検討 ア 「機械学習の技術分野において、データを用いて機械学習を行うにあたり、データから特徴量を抽出して機械学習を行うこと」は、周知の技術である（上記「周知技術１」参照）。 イ したがって、引用発明において、「発汗データ」と「発汗データ以外の生体データ」を用いて機械学習を行うにあたり、周知技術１を適用してそれぞれのデータから特徴量、すなわち第１の特徴量と第２の特徴量を抽出し、抽出したそれぞれの特徴量を機械学習して、機械学習モデルを生成することは、当業者が必要に応じて適宜なし得たことである。 ウ また、当該機械学習モデルを用いることで「発汗データ以外の生体データ」から「発汗データの特徴量」が推定されることは、当業者にとって自明である。 エ そして、本願発明１が奏する効果としては、当該構成のものとして当業者が予測・発見困難なものではなく、かつ、格別顕著な効果を認めることはできない。 オ したがって、引用発明において、上記相違点に係る構成をなすことは、当業者が容易になし得たことである。 (２) 審判請求人の主張について ア 審判請求書における審判請求人の主張 令和６年６月２７日提出の審判請求書において、審判請求人は、概略下記に示す内容を主張している。 （ア）ストレスの判定には、交感神経の影響のみを含む発汗データを用いるのが適しているが、発汗データを取得できるセンサは高価である。一方、安価なセンサで取得できる生体データ（非発汗データ）では、交感神経と副交換神経の両方の影響を含むため、ストレスの判定精度が低下する。このため、本発明では、機械学習モデルを用いて、安価なセンサで取得できる生体データ（非発汗データ）の特徴量を、交感神経の影響のみを含む発汗データの特徴量に変換する。 （イ）原査定において引用されている、引用文献１の[0025]、[0038]-[0039]には、センサ情報から健康指標を算出する技術が開示されている。しかしながら、引用文献１の段落[0034]の表１には、「副交感神経」活性度を健康指標として算出するためのセンサ情報として、「発汗」が明記されており、発汗から副交換神経についての数値を導き出すことを想定している。このことは、引用文献１には、上述の本発明の技術的特徴を想到するに至った知見が開示されていないことを示唆している。つまり、このことから、引用文献１が上述の本発明の技術的特徴については開示及び示唆していないことは明白である。 イ 審判請求人の主張についての検討 上記第２にて説示したとおり、上記第２．１（３）イに示した補正事項を含む本件補正は決定をもって却下されており、本願発明１は上記第２．１（３）イに示した補正事項、すなわち、発汗データが副交感神経の影響を含まない旨の構成を含まないものである。 したがって、発汗データが副交感神経の影響を含まないことを前提とした上記ア（ア）及びア（イ）の主張はいずれも採用することができないものであり、上記（１）の結論を左右するものではない。 ６ 小括 上記５にて説示したとおり、本願発明１は、引用文献１に記載された発明及び引用文献３に記載された周知技術１に基づいて当業者が容易に発明をすることができたものである。 第４．むすび 以上のとおり、本願発明１は当業者が容易に発明をすることができたものであるから、特許法第２９条第２項の規定により、特許を受けることができない。 したがって本願は、他の請求項について検討するまでもなく、拒絶すべきものである。 よって、結論のとおり審決する。