💍スマートリングとAIが導く、データドリブン健康生活

はじめに

皆さんは、今自分が健康かどうかご存知でしょうか？
また、それは何を根拠に判断されたでしょうか？
その結果を踏まえ今日はどのように過ごされるのでしょうか？

と急に言われてもパッと答えらないと思います。
そんなあなたにおすすめなのが、LLMを用いた健康改善アドバイスシステムを作ることです！

LLMを用いた健康改善アドバイスシステムとは、
あなたの健康状態に応じて今日の1日の活動をリコメンドしてくれるシステムのことです。

今回、システムを作成しユーザのFBをもらう実験をしたので、その成果を記事にまとめてみました。

成果物

自身の生体データを取得し、健康改善アドバイスを毎朝通知するシステムを構築しました。
生体データは、ouraringというスマートリングを使用しました。
改善アドバイスには、GPT-4を使用しました(2023年当時は最新モデル)。
起床時に送られたデータを元に、作成したアドバイスを毎朝1回メール配信するシステムです。

具体的には、1週間の平均のデータと昨日のデータ(csv)をLLMに渡して、分析させ、
睡眠時間が短いと、以下のようにパーソナライズされたアドバイスがされます。
「睡眠時間が少し短いのが気になりますね。
睡眠は心も体もリセットする大事な時間。
ぜひ今日は、いつもより30分でも早くベッドに入って、質の良い休息を取れるようにしましょう。」

https://docs.google.com/presentation/d/1_hRnIlJhmO_s2XOJwIlNtCHWrO6TRuzNsZr6hn6KRJM/edit?usp=sharing

はじめに：何をやってたの？

まず、そもそもどんなことをやっていたのかを簡単にまとめます。

背景・ねらい

ここ数年、健康管理や予防医療の重要性が高まっています。
特に高齢化社会では「病気になってから治療」じゃなくて「病気を予防」するほうが大事だよね、という流れが加速しています。
また、「自分の健康を自己管理したい」「でも数値を見て何をすればいいか分からない」という人が増えています。
一方、ウェアラブルデバイス（腕時計型、指輪型など）で心拍数や睡眠状態を常時モニタできるようになりましたが、そのデータを日々眺めるだけじゃ物足りない、もっとパーソナライズしてほしいという意見も広がってきました。
そこで、大規模言語モデル（LLM）の力を使い、もう一歩踏み込んだアドバイスを自動生成しよう、というのが今回の研究の狙いです。

ざっくりしたゴール

1日や1週間分の生体データから「疲労がたまっているかも」「心拍変動が低めになっているからもう少しリラックスを」などの具体的な提案を出し、ユーザーの生活改善に役立てよう、というものです。
どうせなら自分も含めてユーザーの心に響くようなアドバイス文が欲しいく、当時で始めたChatGPT LLMを組み合わせてアドバイスを作成してみようというゴールでした。

ウェアラブルデバイスで何が分かる？

今回の話の主役のひとつが「指輪型のウェアラブルデバイス」です。
今回は、ouraringというスマートリングを選択しました。
腕時計型が有名ですけど、指輪型を選択しました。
選んだ理由は、睡眠時にも装着しやすいから。
腕時計だと寝返りのときに邪魔になるとか、バンドが気になるとかありますよね。
でも指輪ならわりと自然に毎日着けっぱなしにでき、ユーザの装着率も高く維持できる背景があります。

取得できるデータ

ouraringでは、さまざまなデータが取得できますが、今回は代表的なものを紹介します。

• 心拍数：安静時から運動時まで、どのぐらい鼓動が速くなっているかをモニタ。
• 心拍変動（HRV）：心拍の揺らぎ。副交感神経と交感神経のバランスを知る手がかりになります。
• 活動量（運動量）：加速度センサーなどで、どれぐらい体を動かしているかを推定。
• 睡眠段階：深い睡眠、浅い睡眠、レム睡眠、そして覚醒状態。どのタイミングでどの段階にいたかが分かる。

たとえば、「深い睡眠の時間が短い日が続いている」といった事実があれば、「そろそろ寝る時間を早めてみよう」とか「夕食後のカフェインは控えよう」とかいうアドバイスの材料になりますよね。
こうした日常データがわんさか溜まってくるわけですが、問題は「どのように解析し、ユーザーに伝えるか」です。
特に数字やグラフを見せられても、どこをどう改善したらいいの？と思う人が多いはずです。

LLMとの掛け合わせ：なんでAIが役立つの？

説明の必要はないかもしれないですが、近年のLLM、特にChatGPTとかGeminiなどの名前のモデルが話題になっていますよね。
LLMは、ネット上の膨大なテキストから学習したおかげで、「自然に文章を生成する能力」がめちゃくちゃ高く、英語だけでなく日本語でもそこそこ優秀です。

データ分析だけじゃない

従来の方法でも、PythonやRを使って統計値を出したり、グラフ化したり、異常値を見つけたりはできました。
しかし数値を解析するだけじゃなく、「じゃあどうすればいいの？」という具体的アドバイスを自然言語で書くのは案外面倒でした。
ヘルスケア領域だと曖昧な表現や専門用語も多いので、定型のプログラムだけで文章を生成すると融通が利かず、無味乾燥なコメントになりがちでした。

寄り添った文章を自動生成

そこで大規模言語モデルが得意とするのが「自然言語生成」です。
ユーザーに合わせて「今週は平均して睡眠が30分足りないかもしれません。早めに就寝するか、週末にしっかり休息をとってみてはどうでしょう」みたいに、少し優しさや励ましを込めた文章を書くのが得意です。
もちろん完璧ではないけれど、アドバイス文としては十分実用的なレベルだったりします。

ハルシネーション（幻覚）問題もある

大規模言語モデル特有の「なんかテキトーなことを言い切る」現象、いわゆるハルシネーションには注意が必要です。
医療系の内容で間違ったことを書かれると非常に困ります。
そこで今回のシステムでは、単に「自由に喋らせる」だけではなく、分析した数値や睡眠記録をちゃんと入力（プロンプト）で与え、それを踏まえた文章を作るように促しています。
また、「怪しい文章を出さないようなプロンプトの書き方」を工夫するなどの対策をしています。

システムの全体像

ざっくり言うと、次のようなフローで動いています。

1. 生体データの取得
   指輪型デバイスが自動的に心拍や睡眠を記録。アプリを立ち上げるとクラウドにアップロードされる。

2. クラウドに蓄積＆整形
   Google Cloud Platform（GCP）を使ってデータを受け取り、BigQueryに保管。必要なところだけ抽出して30分刻みにまとめるなどの前処理を行う。

3. 最新データの確認
   1日1回 or 1時間おきぐらいの頻度でチェック。「今日分のデータが来たか？ まだなら待機。来てたら次へ進む」みたいな感じ。

4. LLMに投げる
   ChatGPT APIを呼び出し、前日に比べてどう変化したか、過去1週間の平均と比べるとどうか、という解析をさせる。続けて「今日の過ごし方の提案を出して」とお願いする。

5. アドバイスをメール送信
   出力された文章を整形してユーザーにメールで送る。すでに送ったかどうかはクラウドのテーブルで管理して、重複送信を防止。

実装自体は、PythonスクリプトをGCE（Compute Engine）で走らせることで動かしています。そこでChatGPT APIにアクセスし、メールサーバへも繋げるようにしていると。クラウドの力を借りるので、ローカルPCがオフでもちゃんと動いてくれます。

実験：本当に役立つの？

「開発したシステムが実際に役立つのか」を確かめるため、40代～60代の被験者15人に協力してもらい、1週間ほど運用テストをしました。

• 被験者プロファイル

  • すでに指輪型デバイスを持っている人を対象。
  • 毎日アプリを起動し、1回はデータを更新してくれることが条件。
  • 男性13名、女性2名で、運動習慣もバラバラ。

• 実験の流れ

  1. 朝起きたらアプリを立ち上げデータをクラウドに送信。
  2. 数時間後に自動でアドバイスメールが届く。
  3. その日のうちに、簡単なアンケートに回答してもらう。

• アンケート項目

  1. 「アドバイスは正しいと感じるか？」
  2. 「自分の状況に合っていると感じるか？」
  3. 「分かりやすい文章だと思うか？」

この3つを5段階（1＝まったく当てはまらない～5＝とても当てはまる）で答えてもらい、加えて自由記述欄を用意してコメントを書いてもらいました。

LLMの使用方法

LLMの利用では具体的には以下の内容を実施しました。

データ前処理

1日のデータや1週間の平均などをCSVやJSONにまとめる。タイムスタンプを整える、欠損値を補完するなどして、LLMが読み取りやすい形にする。

解析依頼（プロンプト）

「昨日の平均心拍数は◯◯、1週間の平均は◯◯。これを比較してどうか？」みたいな質問をLLMに投げるわけです。過去の統計データと当日のデータを並べて見せながら、違いを分析してもらいます。

アドバイス生成

「こんな分析結果を踏まえて、わかりやすくアドバイス文を書いて。なるべく優しい言葉で励まして」といったプロンプトを送ると、「今日はやや疲労がたまっているので、30分ほどストレッチしては？」みたいな文章が返ってくるわけです。ここで気をつけるのが「医療行為」にならないようにすることや、誤情報を出さないようにすること。必要なら最後に人間がチェックを入れてからユーザーに送る、というフローにしているケースもあります。

ユーザーへフィードバック

出来上がった文章をメールやアプリの通知で送れば、毎日ちょっとしたアドバイスを受け取れる。忙しい日々でも、体調の変化を文章で把握できるのは案外便利です。

結果

実験期間中の回答は計57回分あり、その平均値を見たところ、ざっくりこうでした：

• 正確性（質問1）：平均3.8
• 個別適応性（質問2）：平均3.9
• 理解しやすさ（質問3）：平均4.1

いずれも中立的なスコア3を上回っていたので、「まずまず良さそう」という感じですね。

簡単な実験：意外とポジティブな評価

• 「わかりやすい文章が届くので、単なる数字より行動の動機づけになった」
• 「ランニングの習慣づけをサポートしてもらってる気分になった」
• 「運動量のデータが明らかに間違ってる日は、やっぱり提案がズレる」
  などの感想が聞こえてきました。
  総じて「それなりに評価は高い」という印象。
  もちろん完璧なわけではなく、データ欠損やハルシネーション問題など課題もありました。
  でも、1日ごとの健康アドバイスを毎度人間が書くのは不可能ですから、AIがそこを埋めてくれるのは価値があるかもしれない、という結論でした。

考察:使ってみて気づいたこと

実際にやってみると色々分かりました。いくつかピックアップしてみます。

1. データ欠損時のフォロー
   ウェアラブルは便利ですが、装着し忘れやバッテリー切れでデータがなかったり、整合性が取れないことがあります。そんなときも無理やりアドバイスを作ろうとするとトンチンカンな内容になるリスク大です。だからこそ「データが不足しているときはアドバイスを控える」とか「補正値を使う」みたいな仕組みが必要そうです。

2. アドバイスの粒度
   「なんか標準的なアドバイスだな」という声が出るのは当たり前で、下手すると誰にでも当てはまる「もう少し寝ましょう」「軽い運動を」みたいな内容になりがち。ここをどうやって個別化（パーソナライズ）していくかが大きな鍵です。今回の実装でも1週間平均と比較するとか、深い睡眠の割合をチェックするとかはやっていますが、さらに生活習慣や食習慣、ストレス要因なんかを総合的に見たいですよね。

3. LLMのハルシネーションへの対処
   今回はそこまで目立たなかったとはいえ、まだまだリスクはあると思います。医療っぽいアドバイスで誤情報が混ざるのは怖いですし。RAG（Retrieval Augmented Generation）を導入して、専門家監修の知識ベースに裏打ちされた提案をするなどの手法が考えられます。

4. 主観評価だけじゃない指標も欲しい
   今回は「アンケートでの5段階評価」が中心でしたが、本当は「アドバイスを受けた翌日の行動が変わったか？」とか、「心拍変動や睡眠の質が続けるうちに改善したか？」なんて客観的な数値を取れるとさらに説得力が増します。やるなら数ヶ月単位の長期的な実証実験がいるかもしれません。

今後の展開：まだまだ面白くなりそう

じゃあ今後どういう方向で発展させられるのか、思いつくかぎり並べてみます。

• さらに多様なデータを取り込む
  現在は心拍・睡眠・活動量あたりが中心だけど、気温や食事記録、日々の気分、仕事のスケジュールなどと組み合わせたら、もっと豊かな分析ができるはず。実際、食事やストレスを可視化すると睡眠との関連がはっきり見えるかもしれません。

• ユーザープロファイルによる文面のパーソナライズ
  若いスポーツ好きの人と、体力が落ちている高齢者とでは、アドバイスの着眼点がまるで違うはず。ここをさらにパーソナライズすれば「ターゲットにど真ん中な提案」が出せる。

• 精度向上＆ハルシネーションの抑制
  ファインチューニングで医療系情報を学習させたり、信頼できる情報ソースを参照しながら文章生成させる仕組みを使うなどして、精度をさらに高めたい。

• 行動変容の定量的評価
  実際にどれだけ行動が変わったか、健康指標が良くなったかを追跡して「AIアドバイス導入前と導入後でこれだけ変化があった」と示せるようになれば、ビジネスや行政へのインパクトも大きいでしょう。

そもそもウェアラブルデバイスとは：break1

みなさん、「ウェアラブル」と聞いて何をイメージしますか？

• スマートウォッチ
• スマートリング
• スマートグラス（Google Glassとか）
• スマートスピーカー（身につけないから違う？）

実は身につけて使うコンピュータの歴史は意外に古いんです。
1970年代後半には計算機付き腕時計が大ブームとなり、「腕時計で計算ができるなんて、まるでSF！」と騒がれたものです。
さらに面白いのは、ラスベガスのカジノでルーレット攻略のために自作のウェアラブルコンピュータをこっそり仕込んだ猛者がいたという話。^[1]
カジノで摘発されたエピソードは、今でも伝説のように語られています。
一方、近年登場している指輪型のデバイスは、サイズの制約が大きい分、センサー技術がめちゃくちゃ進歩した証拠と言えます。
心拍数を計測する“光電式容積脈波法”なんかも、少し前なら機器が大きかったのに、いまや指輪の中に収まる時代です。
技術の進化って本当にすごいですよね。

昔の人はどう健康を管理していた？: break2

実は、人間は大昔から「体の状態を知りたい」という欲求がありました。今でこそウェアラブルデバイスがあるけど、昔はこんな方法もあったとか。

尿と匂い

中世ヨーロッパでは、尿の色や匂いをチェックして健康状態を推し量る「尿診」が盛んだったそうです。現在でも尿検査は大事ですけど、当時は色や匂いでざっくり判断するしかなかったんですね。^[2]

脈診

東洋医学では脈の打ち方を重要視しますが、古代ギリシャやローマでも脈拍に注目することで、熱病や興奮状態を推定していたとか。いまでいう脈拍センサーを使わずに、指先と熟練の勘でやっていたというから驚きです。^[3]

体重計は江戸時代にも？

実は秤を応用して、体重を量る仕組みは江戸時代に存在していたという説もあります。もちろん普通の人は滅多に使わなかったらしいですが、相撲取りや武士など、一部の層には体重が重要な指標になっていたんだとか。^[4]

こう考えると、「今や指輪をして寝るだけで心拍数や睡眠段階がわかる」って、歴史的に見てもすごい進化ですよね...

眠れなくなる睡眠の話: break3

睡眠についてはまだまだ未知な部分がありますが、近年様々な研究が進められています。
その中でも個人的に気になっているテーマをピックアップしてみました。

AIが見つけた睡眠パターンの法則

ディープラーニングを用いた大規模な睡眠データ解析により、「朝型／夜型」だけでなく、より細かな睡眠タイプが存在することが明らかになっています。​例えば、Fitbitの「Sleep Profile」機能では、ユーザーの睡眠パターンを動物のタイプ（イルカ、キリンなど）に分類し、個々の睡眠傾向を示しています。^[5]

動物の睡眠研究への応用

ウェアラブルデバイスとAIを活用して、動物の睡眠状態を分析する研究も進められています。​例えば、ゾウの睡眠をFitbitを用いて追跡し、睡眠パターンを調査する試みが行われています。^[6]

宇宙飛行士の快眠問題

​国際宇宙ステーション（ISS）では、宇宙飛行士の健康管理の一環として、照明を調整して睡眠リズムを整える取り組みが行われています。​NASAは、LED照明を用いて地球の昼夜サイクルを模倣し、宇宙飛行士の睡眠の質を向上させる研究を進めています。
ISSでは、1日に約16回の日の出と日の入りが発生するため、宇宙飛行士の概日リズム（サーカディアンリズム）が乱れやすくなります。​このリズムの乱れは、睡眠不足や注意力の低下を引き起こす可能性があります。​これに対処するため、NASAは2016年に調光可能なLED照明をISSに導入し、宇宙飛行士の睡眠環境を改善する試みを行いました。​^[7]
さらに、欧州宇宙機関（ESA）の宇宙飛行士であるアンドレアス・モーゲンセン氏は、デンマークのスタートアップ企業SAGA Space Architectsが開発した「サーカディアンライトパネル」をISSで試験しました。​このパネルは、7種類のLEDライトを使用し、異なる波長と角度で光を放射することで、宇宙飛行士の睡眠パターンを改善することを目的としています。^[8]

まとめ：なんでこれが大事？

最後に、この取り組みの意義を改めて整理しておきます。

1. 日常データ×AIが実現する予防医療の可能性
   病院で検査を受けるだけでは分からない日常の微妙な変化を、ウェアラブルセンサーで記録して、大規模言語モデルで分析・提案する。この流れ自体が、予防医療やヘルスケアの最前線で今いちばん注目されているポイントだと思います。

2. 人間味あるアドバイスをスケーラブルに
   専門家のカウンセリングを毎日受けるのは現実的に難しいけど、AIなら大量のユーザーにも一貫したサービスを提供できます。そしてテキスト生成技術のおかげで、単調な文面じゃなく、そこそこ人間味ある文章を大量生産できるのが大きい。

3. まだまだ課題も多いけど伸びしろもある
   データの質や量の問題、LLMの正確性の問題、ユーザーごとの好みの問題など、課題は山積ですが、逆に言えば伸びしろだらけ。医療の専門家との連携がうまく進めば、かなり実用的で効果的なシステムができあがる可能性が高いと思っています。

健康管理って一朝一夕で劇的に変わるわけではなく、毎日のちょっとした心がけが積み重なっていくものですよね。そこをサポートできる技術が日々進歩しているのは、すごくワクワクする話ではないでしょうか。

エピローグっぽいこと

今回ご紹介した内容は、2023年度の段階で、LLMという言葉が出始めだったこと、自分の技術が未熟だったこともありまだまだ改善の余地があります。
でも、指輪型ウェアラブルが手軽に生体データを取ってくれるようになったこと、それを支えるクラウド基盤が整ったこと、そしてLLMが対話的に文章を生成してくれるようになったことが相まって、「日々のちょっとした健康アドバイスをAIが自動でくれる」という実装が形にはできました。

将来的には、たとえば「月曜は仕事が忙しいから前夜には90分早めに就寝するといいですよ」「明後日にかけて気温が急降下するので、体温保持に気をつけてください」みたいに、生活リズムや天候、ストレス度合いなども踏まえた高度な提案が飛んでくるかもしれません。自分の体調を自分で知ることのハードルがどんどん下がり、「何をどう改善すればいいか」をデータで示してくれる。想像するとちょっと面白いですよね。

というわけで、技術的な要点や実験結果を交えながらざっくりと紹介しました。もし「自分もウェアラブルでこういうことやってみたい！」と思ったら、PythonとクラウドとAPIを組み合わせるだけでも意外と動くので、ぜひトライしてみてください。大規模言語モデルはまだ進化し続けているので、ほんの少しの工夫で大きく精度や文章の雰囲気が変わります。これからもあらゆる場面で、AIと人間のコラボレーションが進んでいくことを期待しています。

それでは、ここまでお読みいただきありがとうございました。何か参考になるポイントがあれば幸いです。これからもいろいろ試行錯誤しながら、ヘルスケアの世界がますます快適になるよう発展していけたらいいなと思います。

個人的あとがき

この記事は、ChatGPTが出始めた2023年、私が書いた1つの卒業研究を元にしています。
「日常生活で記録された生体データに基づくLLMを活用した生活習慣改善システム」

正直言うと、卒業論文を書くことがゴールになっており、研究の意欲は失われつつありました。
しかし、2025年AIエージェントの時代が到来し、データを分析し、アドバイスをするといった技術が注目されるようになりました。
また、先日「卒業論文を技術記事にしてみると良いよ」と先生からアドバイスを受けたこともあって、この記事を書いてみようかなと思い、書き始めました。
卒業して1年経ちますが、このように背中を押していただきありがとうございました。
社会人となり、研究と外れてしまったものの当時気づかなかった多くのことが経験でき、良い選択だったかなと思ってます。(RAG使って本(許可済み)の記事を読み込ませること、別モデルの検討(安くするならGeminiで、精度よくするならClaude、バランスよくGPT)、LLM-as-a-Judgeの方法、VM以外の関数実行サービスの利用、プロジェクトの設計、実装、改善サイクル)
今回の記事は、はまったことも書けてないですし、コードについても触れてません。
周りの反応見ながら、別の記事でまとめても良いかなと思ってます。。。

研究時に参考にしたもの

[1] 内閣府，令和 4 年版高齢社会白書 (概要版)，(オンライン)，入手先 〈https://www8.cao.go.jp/kourei/whitepaper/w-2023/html/gaiyou/index.html〉( 参
照 2024-1-29).
[2] 首 相 官 邸 ，疾 病・介 護 の 予 防 ，( オ ン ラ イ ン )，入 手 先 〈https://www.kantei.go.jp/jp/singi/keizaisaisei/portal/prevention/index.html〉 (参照 2024-1-29).
[3] 経 済 産 業 省 ，健 康 経 営 の 促 進 に つ い て ，( オ ン ラ イ ン )，入 手 先 〈https://www.meti.go.jp/policy/mono_info_service/healthcare/downloadfiles/kenkokeiei_gaiyo.p (参照 2024-1-29).
[4] Apple, applewatch, (オンライン), 入手先〈https://www.apple.com/watch/〉(参 照 2024-1-29).
[5] Fitbit,fitbit,(オンライン),入手先〈https://www.fitbit.com/global/us/home〉(参 照 2024-1-29).
[6] O ̄uraHealth Oy., ouraring, (オンライン), 入手先〈https://ouraring.com/〉(参照 2024-1-29).
[7] 総務省，世界のウェアラブル端末市場規模の推移及び予測，(オンライン)，入手先 〈https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r05/html/datashu.html〉 (参照 2024-1-29).
[8] OpenAI, Introducing ChatGPT, ( オ ン ラ イ ン ), 入 手 先 〈https://openai.com/blog/chatgpt〉(参照 2024-1-29).
[9] Meta, Llama, (オンライン), 入手先〈https://llama.meta.com/〉(参照 2024-1-29).
[10] 寳野 雄太グーグル・クラウド・ジャパン合同会社 小池 裕幸，大規模言語モデル PaLM 2，(オンライン)，入手先〈https://cloud.google.com/blog/ja/products/ai- machine-learning/began-offering-a-generative-ai-service-for-japanese- companies?hl=ja〉(参照 2024-1-29).
[11] anthropic, Introducing Claude, ( オ ン ラ イ ン ), 入 手 先 〈https://www.anthropic.com/news/introducing-claude〉(参照 2024-1-29).
[12] K.S. Jungo Kasai, Yuhei Kasai, “Evaluating gpt-4 and chatgpt on japanese medical licensing examinations,” JMIR Med Educ 2023, vol.Vol 9, no.52202, pp.1–23, March 2023.
[13] M.D. John W. Ayers, Adam Poliak, “Comparing physician and artificial intelligence chatbot responses to patient questions posted to a public social media forum,” JMIR Med Educ 2023, 183 巻, no.52202, pp.589–596, June 2023.
[14] J.L. Wayne Xin Zhao, Kun Zhou, “A survey of large language models,” arXiv, vol.v13, no.18223, pp.1–124, Nov. 2023.
[15] M.H. Angela Fan, Beliz Gokkaya, “Large language models for software engineer- ing:survey and open problems,” arXiv, vol.v4, no.03533, pp.••–••, Nov. 2023.
[16] Pwuts, AutoGPT, ( オ ン ラ イ ン ), 入 手 先〈https://github.com/Significant- Gravitas/AutoGPT〉(参照 2024-1-29).
[17] M. ofHealth Singapore, Healthier SG, ( オ ン ラ イ ン ), 入 手 先 〈https://www.healthiersg.gov.sg/〉(参照 2024-1-29).
[18] 厚 生 労 働 省 ，こ れ か ら の 健 康 づ く り の 意 義 と 背 景 ，( オ ン ラ イ ン ) ，入 手 先〈https://www.mhlw.go.jp/file/06-Seisakujouhou-12400000- Hokenkyoku/0000069364.pdf〉(参照 2024-1-29).
[19] 澤田砂織，“ウェアラブルデバイスを活用したシステムについての現状と問題 点，” biofeedback，vol.44，no.2，pp.91–96，Sept. 2017.
[20] 山田一郎，“ヘルスケアモニタリングを目指す生体情報センシング技術，” 日妨 瓜，9 号，no.68，pp.585–596，Sept. 2021.
[21] N.P. Ashish Vaswani, Noam Shazeer, “Attention is all you need,” Proceedings of the 31st International Conference on Neural Information Processing Systems, vol.10, pp.6000–6010, Dec. 2017.
[22] OpenAI,Models,(オンライン),入手先〈https://platform.openai.com/docs/models〉 (参照 2024-2-4).
[23] OpenAI, ChatGPT API Transition Guide, ( オ ン ラ イ ン ), 入 手 先 〈https://help.openai.com/en/articles/7042661-chatgpt-api-transition-guide〉( 参 照
2024-2-4).
[24]O ̄uraHealth Oy.，リアルタイム心拍数，(オンライン)，入手先
〈https://support.ouraring.com/hc/ja/articles/4410651298963〉(参照 2024-1-25). [25]O ̄uraHealth Oy.，リアルタイム心拍数，(オンライン)，入手先
〈https://support.ouraring.com/hc/ja/articles/360025441974〉(参照 2024-1-25).
[26] O ̄uraHealthOy.，アクティビティ、歩数、カロリーの対策方法，(オンライン)，入手
先〈https://support.ouraring.com/hc/ja/articles/360025576833〉(参照 2024-1-25).
[27] O ̄uraHealth Oy., Prompt engineering, ( オ ン ラ イ ン ), 入 手 先 〈https://ouraring.com/blog/what-is-a-polysomnography-psg-sleep-study-and-
how-is-oura-different/〉(参照 2024-1-25).
[28] OpenAI, Improving mathematical reasoning with process supervision, (オンライ ン), 入手先〈https://openai.com/research/improving-mathematical-reasoning-with- process-supervision〉(参照 2024-2-12).
[29] vectara, hallucination-leaderboard, ( オ ン ラ イ ン ), 入 手 先 〈https://github.com/vectara/hallucination-leaderboard/〉(参照 2024-2-12).

脚注

1. 1961年、数学者のエドワード・O・ソープ（Edward O. Thorp）とクロード・シャノン（Claude Shannon）は、ラスベガスのカジノでルーレットの結果を予測するためのウェアラブルコンピュータを開発しました。 ​この装置は、ユーザーのポケットに収まる小型のアナログコンピュータで、靴に隠されたスイッチでルーレットホイールの速度を測定し、そのデータをもとにボールの着地点を予測するものでした.この取り組みは、ウェアラブルコンピューティングの先駆けとされ、その装置はMIT博物館に収蔵されています

2. https://www.iwanami.co.jp/moreinfo/tachiyomi/0050610.pdf

3. https://www.aozora.gr.jp/cards/001783/files/56524_67545.html?utm_source=chatgpt.com

4. https://www.pref.osaka.lg.jp/o110120/keiryo/rekisi2023/index.html?utm_source=chatgpt.com

5. https://www.techadvisor.com/article/794166/fitbit-sleep-profile.html?utm_source=chatgpt.com

6. https://neurosciencenews.com/elephant-sleep-neuroscience-6179/?utm_source=chatgpt.com

7. https://www.space.com/iss-astronauts-sleep-circadian-rhythm-lamp?utm_source=chatgpt.com

8. https://interestingengineering.com/innovation/astronauts-can-use-circadian-lightning-and-so-can-you?utm_source=chatgpt.com&group=test_a