HRVストレス検出AIとは｜説明可能AIで分かること・限界

「HRVからAIで社員のストレスを検出できる」と説明されたとき、人事総務が確認したいのは、AIという言葉の新しさではありません。

何のデータを入力し、AIは何を推定し、その結果をどこまで説明できるのか。さらに、その説明があれば、職場で社員の状態を判断してよいのか。この4点を分けて考える必要があります。

HRVを使ったストレス検出AIは、心拍間隔の変化から特徴量を取り出し、機械学習モデルによって、学習時に設定されたストレス状態の区分を推定する仕組みです。

ただし、AIが「ストレス」と分類したことと、その社員が仕事上のストレスで不調になっていることは同じではありません。説明可能AIによってモデルの判断に影響した特徴量が分かっても、ストレスの原因や社員の健康状態まで説明できるわけではありません。

HRVストレス検出AIは「測定→特徴量→分類→説明」の順で見る

HRVストレス検出AIを理解するときは、難しいアルゴリズム名から調べる必要はありません。

人事総務が確認したいのは、次の4段階です。

段階	AI側で行っていること	法人担当者が確認すること
1．測定	心拍間隔などの生理信号を取得する	どの機器・条件でデータを取ったか
2．特徴量	HRVからRMSSD、SDNNなどの特徴を取り出す	何を入力データとして使っているか
3．分類・推定	学習済みモデルがストレス状態などを分類する	何を「正解」としてAIを学習させたか
4．説明	SHAPなどで各特徴量の予測への寄与を示す	何が結果に影響したかを説明できるか

「AIがストレスを測っている」と一括りにせず、どの段階で何をしているかを分けると、サービス資料やベンダー説明を比較しやすくなります。

ウェアラブルが測るものと、AIが推定するものは違う

スマートウォッチやウェアラブル機器と、ストレス検出AIは同じものではありません。

ウェアラブル側は、心拍、脈波、活動量などの信号を取得します。HRVは心拍間隔の変化から求める指標です。

機械学習モデルは、それらのデータから作られた特徴量と、あらかじめ与えられた分類ラベルとの関係を学習し、新しいデータがどの分類に近いかを推定します。

確認対象	役割	混同しないこと
センサー	生理信号を取得する	ストレスそのものを直接測っているとは限らない
HRV	心拍間隔の変動を表す	心理的ストレスだけを表す数値ではない
機械学習	入力特徴から分類・推定を行う	推定結果を医学的診断とみなさない
説明可能AI	モデルの出力に影響した特徴を示す	原因や因果関係まで証明するものではない

HRVそのものを職場ストレス指標としてどこまで解釈できるかは、HRVはストレス指標になるのか｜職場での見方と判断基準で分けて確認できます。

研究ではWESADデータとHRVを使ってストレス分類を検討している

Banerjee、Mahmud、Brownによる2023年の研究「Heart Rate Variability-Based Mental Stress Detection: An Explainable Machine Learning Approach」では、ウェアラブル生理データを含むWESADデータセットを利用して、HRVによる精神的ストレス分類が検討されています。

WESADは15人から収集されたマルチモーダル生理データを含む研究用データセットです。この研究ではHRV特徴量を使い、K-nearest neighbor、Decision Tree、Support Vector Machine、Random Forestなど複数の機械学習手法を比較しています。

ここで法人担当者が見るべきなのは、「AIでストレスを分類できた」という結論だけではありません。

研究で確認する条件	職場導入前に考えること
対象者	自社社員と年齢・働き方・健康状態などが同じとは限らない
測定環境	研究条件と実際の勤務中ではノイズや行動条件が違う
正解ラベル	AIが何を「ストレス」として学習したのか確認する
検証方法	別の人・別の環境でも性能が保たれるかを見る
用途	研究上の分類性能と人事利用の妥当性は別に判断する

研究で分類できたことと、自社社員を日常業務の中で正しく判定できることは同じではありません。

説明可能AIではSHAPを使って「何が予測に効いたか」を見る

機械学習では、予測結果は出ても「なぜその結果になったのか」が分かりにくいモデルがあります。

この研究では、Kernel SHAPを使って、HRVの各特徴量がモデルの予測へどのように影響したかを分析しています。

SHAPでは、モデル全体としてどの特徴が重要だったかを見る方法と、個別の予測についてどの特徴が結果を押し上げたり押し下げたりしたかを見る方法があります。

SHAPで説明できること	SHAPだけでは説明できないこと
モデルが重視した特徴量	その人がなぜストレスを感じているか
各特徴量が予測へ与えた方向・大きさ	特徴量とストレスの医学的な因果関係
モデル全体の特徴量重要度	別の会社・集団でも同じ性能になるか
個別予測を構成した特徴	その社員への適切な人事対応

「説明可能AIだからストレス判定が正しい」のではありません。説明可能性が示すのは、モデルがどの情報を使ってその予測を出したかです。

「説明できるAI」と「職場で信頼して使えるAI」は分けて比較する

人事総務がAIストレスサービスを比較するとき、説明可能性があることは重要です。しかし、それだけで導入候補に残す理由にはなりません。

少なくとも、次の項目を分けて確認します。

比較項目	ベンダーへ確認したいこと
入力データ	HRVのほかに何を使っているか。取得条件は何か
学習データ	どのような対象者・環境のデータで学習したか
ストレスの定義	何を正解ラベルとして分類しているか
検証	学習に使っていない人・環境で検証されているか
説明可能性	個別予測について何が出力へ影響したか説明できるか
限界	どの条件では判定しない・信頼度が下がるか説明できるか
人事利用	結果を誰が見て、何には使わない設計か

比較資料に「AI精度○％」と書かれていても、その数字だけでは候補を選べません。

誰のデータで、何を正解として、どの条件で検証した精度なのかまで確認して初めて、自社で比較できる数字になります。

AIが「高ストレス」と出したあと、企業内で何をするかを先に決める

ストレス検出AIを比較するときに抜けやすいのが、推定結果が出た後の社内行動です。

AIが「高ストレス」と表示しても、その数値を上司へ送り、「この社員は高ストレスです」と判定する設計にはしません。

法人利用では、AIの結果を次の確認行動へつなぐ補助情報として位置づけます。

AI・本人側で起きたこと	本人ができる行動	企業側で動かせる行動
普段と異なる傾向が表示された	睡眠、疲労感、勤務状況を振り返る	数値だけで本人を判定しない
本人も疲労を感じている	休憩、セルフケア、相談を選ぶ	相談先や支援方法を利用しやすくする
仕事量への負担感がある	早めに相談する	管理職が業務量・期限・優先順位を確認する
同じ働き方で負担が続く	自分だけで抱え込まない	人事総務が業務設計や職場環境を確認する

AIによる「検出」を企業内の「支援行動」に変換できるか。ここまで決めて初めて、技術が健康経営施策になります。

管理職へ渡すのはAIの判定ラベルではなく、支援方法にする

管理職が部下を支援するために、個人のHRVやAIストレス判定を常に見る必要はありません。

むしろ「高ストレス社員一覧」のような形で個人を分類すると、健康支援よりも監視や評価として受け取られるおそれがあります。

管理職に共有したいのは、AIスコアではなく、本人から相談があったときや疲労の変化が見られたときの対応です。

• 業務量や期限で負担になっていることを確認する
• 休憩や休息を取れているか確認する
• 必要なら仕事の優先順位を調整する
• 本人だけで対応しにくい場合は人事総務や専門職へつなぐ

こうすれば、AIを「社員を見張る道具」ではなく、本人が早めに気づき、支援を選びやすくする仕組みへ近づけられます。

タニカワ久美子の企業研修では、AIの結果より先に本人の体感を確認する

タニカワ久美子の企業研修では、HRVやAIによる推定結果を「良い・悪い」の判定には使いません。

まず確認するのは、本人の疲労感、睡眠、呼吸のしやすさ、肩や背中のこわばり、休憩状況、その日の仕事の負荷などです。

そのうえでHRVなどの情報があれば、「数字と自分の体感は一致しているか」「どの場面で身体が緊張していたか」を振り返る材料にします。

さらに、呼吸や軽い運動を体験して「少し楽になった」で終わらせず、

• 仕事中のどの時間なら実践できるか
• 休憩を飛ばしやすい場面はどこか
• 負担が増えたとき誰へ相談するか
• 管理職側で変えられる業務はないか

まで具体化します。

AIの推定結果を見せることが研修の成果ではなく、その経験を使って社員・管理職・人事総務の次の行動を変えられるかを重視します。

説明可能性を確認した次は「自社で導入するか」を判断する

HRVストレス検出AIの仕組み、学習データ、説明可能性、限界が確認できれば、次は法人として導入するかを判断する段階です。

ここでは技術性能だけでなく、取得するデータ、本人同意、閲覧者、評価への不使用、参加しない社員の扱い、導入後の支援方法なども含めて比較します。

AIストレス予測は導入すべきか｜HRV活用を人事総務が判断する視点では、技術理解の次に必要になる法人導入判断を整理しています。

HRVストレス検出AIは「説明できること」と「判断できること」を分けて見る

HRVストレス検出AIでは、HRV特徴量を機械学習モデルへ入力し、学習データとの関係からストレス状態を分類・推定する研究が行われています。

SHAPなどの説明可能AIを使えば、モデルの出力にどの特徴量が影響したかを見ることができます。

しかし、説明できるのはAIがどのようにその予測を作ったかであり、社員のストレス原因、健康状態、勤務能力まで説明できるわけではありません。

人事総務がAIサービスを比較するときは、精度だけでなく、入力データ、ストレスの定義、検証対象、説明可能性、判断しない範囲、推定後の社内行動まで確認します。

「AIが説明できるか」の次に、「その説明を使って会社は何をしてよいのか」を決める。これが、HRVストレス検出AIを法人で検討するときの判断軸です。

参考文献・資料

• Banerjee JS, Mahmud M, Brown D. Heart Rate Variability-Based Mental Stress Detection: An Explainable Machine Learning Approach. SN Computer Science. 2023;4(2):176. DOI: 10.1007/s42979-022-01605-z.
• Schmidt P, Reiss A, Duerichen R, Marberger C, Van Laerhoven K. Introducing WESAD, a Multimodal Dataset for Wearable Stress and Affect Detection. ICMI. 2018.
• World Health Organization. Ethics and Governance of Artificial Intelligence for Health. 2021.

HRVやAIによるストレス推定は、医師による診断や治療の代わりになるものではありません。また、AIの説明可能性があること自体は、特定の職場・集団での性能、安全性、妥当性を保証するものではありません。法人利用では、利用目的、対象者、データ管理、人による確認と支援体制を含めて判断してください。

文責：タニカワ久美子