JP2018072968A - データ処理装置およびデータ処理方法 - Google Patents

データ処理装置およびデータ処理方法 Download PDF

Info

Publication number
JP2018072968A
JP2018072968A JP2016209167A JP2016209167A JP2018072968A JP 2018072968 A JP2018072968 A JP 2018072968A JP 2016209167 A JP2016209167 A JP 2016209167A JP 2016209167 A JP2016209167 A JP 2016209167A JP 2018072968 A JP2018072968 A JP 2018072968A
Authority
JP
Japan
Prior art keywords
data
time
types
classification
appearance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2016209167A
Other languages
English (en)
Inventor
陽 池田
Hiromi Ikeda
陽 池田
彩映 沢渡
Sae Sawatari
彩映 沢渡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Seiko Epson Corp
Original Assignee
Seiko Epson Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Seiko Epson Corp filed Critical Seiko Epson Corp
Priority to JP2016209167A priority Critical patent/JP2018072968A/ja
Priority to US15/718,632 priority patent/US10831755B2/en
Publication of JP2018072968A publication Critical patent/JP2018072968A/ja
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24Querying
    • G06F16/245Query processing
    • G06F16/2455Query execution
    • G06F16/24553Query execution of query operations
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7264Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24Querying
    • G06F16/248Presentation of query results
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26Visual data mining; Browsing structured data
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • AHUMAN NECESSITIES
    • A41WEARING APPAREL
    • A41DOUTERWEAR; PROTECTIVE GARMENTS; ACCESSORIES
    • A41D1/00Garments
    • A41D1/002Garments adapted to accommodate electronic equipment
    • AHUMAN NECESSITIES
    • A41WEARING APPAREL
    • A41DOUTERWEAR; PROTECTIVE GARMENTS; ACCESSORIES
    • A41D13/00Professional, industrial or sporting protective garments, e.g. surgeons' gowns or garments protecting against blows or punches
    • A41D13/12Surgeons' or patients' gowns or dresses
    • A41D13/1236Patients' garments
    • A41D13/1281Patients' garments with incorporated means for medical monitoring
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/02Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/02Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02438Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/103Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118Determining activity level
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/48Other medical applications
    • A61B5/4866Evaluating metabolism
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/68Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802Sensor mounted on worn items
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/68Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802Sensor mounted on worn items
    • A61B5/681Wristwatch-type devices
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/68Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6898Portable consumer electronic devices, e.g. music players, telephones, tablet computers
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16Constructional details or arrangements
    • G06F1/1613Constructional details or arrangements for portable computers
    • G06F1/163Wearable computers, e.g. on a belt

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Fuzzy Systems (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

【課題】複数の時系列データを複合的に考慮して複数の事象の出現を分析する技術を提供すること。【解決手段】演算処理部が、時系列のN種類(N≧3)のサンプリングデータを集約して、M種類(M≧2かつN>M)の分類用時系列データを取得するデータ集約ステップと、前記M種類の分類用時系列データを複数のクラスタに分類する分類ステップと、前記クラスタ毎に時系列の出現データを生成する出現データ生成ステップと、を実行するデータ処理装置である。【選択図】図33

Description

本発明は、時系列のサンプリングデータを処理するデータ処理装置等に関する。
従来から、時系列データをクラスタリングして複数のクラスタに分類し、分類結果をデータ分析に用いる手法が知られている。例えば特許文献1には、時間情報付きの文書を単語に分割してクラスタリングすることで意味的なまとまりを持つクラスタを発見し、別途取得される時系列データと各クラスタとの関係を回帰分析により推計することにより、時系列データをクラスタの成分に分解する手法が開示されている。
特開2014−160358号公報
特許文献1の技術は、1種類の時系列データを分解し、別の時間情報付きのデータから発見したクラスタと関連付けるものである。したがって、時間情報付きのデータを特定の事象の出現と相関するクラスタに分類することで、ある時系列データを目的の事象の出現と相関する成分に分解することができる。しかし、複数の時系列データが複数の事象の出現と相関しているような場合には、個々の時系列データから各事象の出現と相関する成分を得てそれらを個別に分析することはできても、複数の時系列データを複合的に考慮して各事象の出現を分析することは難しい。
本発明は、こうした事情を鑑みてなされたものであり、複数の時系列データを複合的に考慮して複数の事象の出現を分析する技術の提供を目的とする。
上記課題を解決するための第1の発明は、演算処理部が、時系列のN種類(N≧3)のサンプリングデータを集約して、M種類(M≧2かつN>M)の分類用時系列データを取得するデータ集約ステップと、前記M種類の分類用時系列データを複数のクラスタに分類する分類ステップと、前記クラスタ毎に時系列の出現データを生成する出現データ生成ステップと、を実行するデータ処理装置である。
また、他の発明として、時系列のN種類(N≧3)のサンプリングデータを集約して、M種類(M≧2かつN>M)の分類用時系列データを取得するデータ集約ステップと、前記M種類の分類用時系列データを複数のクラスタに分類する分類ステップと、前記クラスタ毎に時系列の出現データを生成する出現データ生成ステップと、を含むデータ処理方法を構成してもよい。
第1の発明等によれば、時系列のN種類(N≧3)のサンプリングデータを集約し、M種類(M≧2かつN>M)の分類用時系列データを取得することができる。そして、M種類の分類用時系列データを複数のクラスタに分類し、各クラスタの出現データを生成することができる。これによれば、複数の時系列データを複合的に考慮し、各クラスタが表す複数の事象の出現を分析することが可能となる。
また、第2の発明として、前記データ集約ステップは、前記N種類のサンプリングデータをX種類(X≧M)の分類用時系列データに集約し、当該X種類の分類用時系列データから前記M種類を選択すること、を含む第1の発明のデータ処理装置を構成してもよい。
第2の発明によれば、N種類のサンプリングデータをX種類(X≧M)の分類用時系列データに集約し、そのうちのM種類を選択することができる。
また、第3の発明として、前記データ集約ステップは、前記N種類のサンプリングデータの主成分分析又は因子分析を行って前記集約を行い、前記分類用時系列データの分散の大きさに基づいて前記選択を行うステップである、第2の発明のデータ処理装置を構成してもよい。
第3の発明によれば、N種類のサンプリングデータを主成分分析又は因子分析し、その分散に基づきM種類の分類用時系列データを取得することができる。
また、第4の発明として、前記分類ステップは、前記M種類の分類用時系列データをM次元空間にプロットすることと、当該プロットをクラスタリングして前記複数のクラスタに分類することと、を含む第1〜第3の何れかの発明のデータ処理装置を構成してもよい。
第4の発明によれば、M種類の分類用時系列データをM次元空間にプロットしてクラスタリングを行い、複数のクラスタに分類することができる。
また、第5の発明として、前記出現データ生成ステップは、前記クラスタ毎に、当該クラスタに属する前記分類用時系列データを、算出時刻をずらしながら所定時間幅で平均した算出時刻別の出現確率を算出すること、を含む第1〜第4の何れかの発明のデータ処理装置を構成してもよい。
第5の発明によれば、クラスタ毎に各分類用時系列データを所定時間幅で平均し、各クラスタに属する分類用時系列データの時系列の出現確率を算出することができる。
また、第6の発明として、前記演算処理部が、前記時系列の出現データを周方向に時間軸をとった文字盤状に表示制御する表示制御ステップ、を実行する第1〜第5の何れかの発明のデータ処理装置を構成してもよい。
第6の発明によれば、時系列の出現データを、周方向に時間軸をとった文字盤状に表示制御することができる。
また、第7の発明として、前記サンプリングデータは、熱流束、手首温度、動脈血中酸素飽和度、および脈拍数の何れかの生体情報を含む、第1〜第6の何れかの発明のデータ処理装置を構成してもよい。
第7の発明によれば、熱流束、手首温度、動脈血中酸素飽和度、および脈拍数の何れかの生体情報を含むN種類のサンプリングデータをM種類に集約して用い、分類したクラスタ毎の出現データを生成することができる。
第1実施形態のデータ処理装置を備えた全体システムの構成例を示す模式図。 測定装置を表面側から見た外観図。 測定装置を裏面側から見た外観図。 熱流センサーの平面図。 図4に示すA−A矢視断面の模式図。 時刻tにおける各生体情報S(t)の一例を表形式で示す図。 熱流束S(t)をグラフ化した図。 手首温度S(t)をグラフ化した図。 動脈血中酸素飽和度S(t)をグラフ化した図。 脈拍数S(t)をグラフ化した図。 第1実施形態における第1主成分Y(t)をグラフ化した図。 第1実施形態における第2主成分Y(t)をグラフ化した図。 第1実施形態における第1主成分Y(t)および第2主成分Y(t)を定める係数ベクトル値α1n,α2nを示す図。 第1実施形態における第1主成分Y(t)および第2主成分Y(t)の集約データをプロットした図。 図14の集約データのクラスタリング結果を示す図。 時系列クラスタデータc(t)を示す図。 クラスタ帰属度データB(t)を示す図。 クラスタGの出現データP(t)をグラフ化した図。 クラスタGの出現データP(t)をグラフ化した図。 クラスタGの出現データP(t)をグラフ化した図。 クラスタGの出現データP(t)をグラフ化した図。 クラスタGの出現データP(t)をグラフ化した図。 クラスタGの出現データP(t)をグラフ化した図。 出現データP(t)出現データP(t)とを重ねてグラフ化した図。 出現データP(t)出現データP(t)とを重ねてグラフ化した図。 出現データP(t)出現データP(t)とを重ねてグラフ化した図。 データ処理装置における状態分析結果の表示例を示す図。 データ処理装置における状態分析結果の他の表示例を示す図。 データ処理装置における状態分析結果の他の表示例を示す図。 測定装置における状態分析結果の表示例を示す図。 測定装置における状態分析結果の他の表示例を示す図。 測定装置における状態分析結果の他の表示例を示す図。 データ処理装置の主要な機能構成例を示すブロック図。 データ処理装置が行う処理の流れを示すフローチャート。 小売店を原点とするXY座標系の周辺地図を示す図。 1日分の購入者情報S(t)の一例を示す図。 顧客の居住地座標(X,Y)の分布例を示す図。 第2実施形態における第1主成分Y(t)および第2主成分Y(t)を定める係数ベクトル値α1n,α2nを示す図。 第2実施形態における第1主成分Y(t)および第2主成分Y(t)の集約データをプロットした図。 図39の集約データのクラスタリング結果を示す図。 各クラスタG21〜G24の出現データP(t)を共通の時間軸上で重ねてグラフ化した図。 第2実施形態におけるデータ処理装置の機能構成例を示すブロック図。
以下、図面を参照して、本発明の好適な実施形態について説明する。なお、以下説明する実施形態によって本発明が限定されるものではなく、本発明を適用可能な形態が以下の実施形態に限定されるものでもない。また、図面の記載において、同一部分には同一の符号を付す。
<第1実施形態>
図1は、第1実施形態のデータ処理装置5を備えた全体システムの構成例を示す模式図である。第1実施形態のデータ処理装置5は、所定の通信回線Nを介して測定装置100との間でデータ通信が可能に構成され、測定装置100が測定したユーザーの生体情報を取得して分析に用いる。データ処理装置5は、例えば、スマートフォン、パソコン、タブレット型コンピューター、携帯電話機、ゲーム装置等の電子機器を用いて実現できる。
図2および図3は、測定装置100の構成例を示す外観図であり、図2はその表面(ユーザーに装着した時に外向きになる面)を示し、図3は裏面(ユーザーに装着したときにユーザーの皮膚に接する面)を示している。測定装置100は、例えば、測定した生体情報を現在時刻とともに表示する腕時計型の電子機器として構成され、本体ケース10に設けられたバンド3をユーザーの手首に巻き付けることで生体表面(手首の皮膚面)に装着・固定される。
なお、バンド3により皮膚面に巻き付ける構成に限らず、皮膚面に着脱自在な粘着シートやジェル等を用い、ユーザーの皮膚面に貼付して装着する構成でもよい。また、測定装置100が装着される測定部位は手首に限定されない。測定部位は、例えば、額、頸部、上腕部、足首、胸回り、胴回り、手足の甲等、適宜選択してよい。
測定装置100は、本体ケース10の内部に、現在時刻や生体情報等を表示するための文字盤11を備える。また、本体ケース10の外周部には、生体情報の測定開始や当該測定の停止等の各種操作を入力するための操作スイッチ121,123、現在時刻を手動で調整するためのリューズ13等が配設されている。
文字盤11の上方には、現在時刻を表示する指針111が配置される。図2では、指針111を時針112および分針113からなる二針式として図示しているが、秒針のある三針式であってもよい。指針111は、文字盤11の背面側に設けられた図示しないムーブメントによって駆動・運針される。また、文字盤11は、前面に液晶パネル等の表示装置を配置して有し、生体情報として測定された例えば血圧、動脈血中酸素飽和度(SpO2)、および脈拍数(心拍数)を個別に表示する。なお、文字盤11による現在時刻の表示は、アナログ表示に限らずデジタル表示であってもよい。また、表示する生体情報の種類は適宜選択でき、ユーザーの操作入力に応じて変更可能な構成としてもよい。
この測定装置100は、複数のセンサーを適所に配置して有する。例えば、測定装置100は、熱流センサー21と、光センサー22と、モーションセンサー23と、GPSセンサー24とを内蔵している。測定装置100は、所定の測定開始操作が為されると、これらセンサー21〜24により複数種類の生体情報を並行して連続的に測定し、測定終了操作が為された後等の適宜のタイミングで測定結果をデータ処理装置5に送信する。各生体情報の測定は、所定のサンプリング周期(例えば、1[min])で同時刻に行う。
熱流センサー21は、測定装置100を装着した測定部位(本実施形態では手首)の生体表面と外環境との間の熱伝達によって当該熱流センサー21の内部に生じた温度差をもとに、生体表面に生じる熱流を測定する。例えば、熱流センサー21は、外形が略円環形状を有し、その一方の端面を形成する保護層213aが本体ケース10の裏面において露出するように配設される。
図4は、熱流センサー21の平面図であり、図5は、図4に示すA−A矢視断面の模式図である。なお、配線等は図示を省略している。図4および図5に示すように、熱流センサー21は、伝熱層211と、その図5中下側を覆う保護層213aと、上側を覆う保護層213bとが互いに熱拡散層215を介して接着された層構造を有し、伝熱層211の内部に複数(図4では4つ)の検出器217が組み込まれて構成される。
検出器217は、装着時に生体表面側となる保護層213aと接するように配置された測温体219aと、この測温体219aと対向する位置で外環境側(測定装置100の表面側)となる保護層213bと接するように配置された測温体219bとを備え、測温体219aの検出温度を手首の皮膚温度(手首温度)とし、測温体219bの検出温度を伝熱温度として出力する。各測温体219a,219bによる検出温度の温度差(上下温度差)から、該当する検出器217の位置における熱流束(単位面積当たりの熱流)を測定できる。また、手首温度および熱流束から、熱伝導方程式に基づく関係式により手首の深部温度を測定できる。測温体219a,219bには、サーミスターや熱電対等を用いることができる。なお、熱流センサー21の構成は2つの測温体を用いた構成に限定されるものではなく、サーモパイルを用いたもの等公知の構成を適宜選択して用いることができる。
光センサー22は、熱流センサー21の環状内側部分において、本体ケース10の裏面にその発光面が露出するように配設された2つの発光部221,223と、本体ケース10の裏面にその受光面が露出するように配設された受光部225とを備える。これら発光部221,223の発光面や受光部225の受光面は、熱流センサー21の環状内側部分を覆う透明なカバーガラス等で保護される。
発光部221,223は、所定の波長域内の照射光を照射するLEDやOLED(Organic Light Emitting Diode)、半導体レーザー等の光源を用いて実現できる。照射光の波長域は、測定対象に応じて適宜選択することができる。本実施形態では、例えば、一方の発光部221は波長域660[nm]付近の第1波長の可視光を照射し、他方の発光部223は、波長域880[nm]〜940[nm]に属する第2波長の近赤外光を照射する。
受光部225は、照射光の透過光や反射光を受光し、受光量に応じた信号を出力する。例えば、フォトダイオード、CCD(Charge Coupled Device)やCMOS(Complementary Metal Oxide Semiconductor)等で実現できる。
この光センサー22において何れか一方又は両方の発光部221,223から照射光を照射し、受光部225の受光結果(受光部225の出力値)を公知の技術を用いて演算処理することにより、光電脈波、容積脈波、脈拍数、血流速、血流量、血液灌流量、血管抵抗、血圧(拡張期血圧/収縮期血圧)、動脈血中酸素飽和度等の生体情報を測定できる。動脈血中酸素飽和度は、第1波長および第2波長の照射光を各発光部221,223から順番に照射して得た受光部225の出力値をもとに、各波長における酸化ヘモグロビンと還元ヘモグロビンの吸光度を用いて求めることができる。
熱流センサー21および光センサー22は、測定装置100の装着時に生体表面と接触し易いように、熱流センサー21の保護層213aおよび光センサー22を覆う上記カバーガラスの部分を本体ケース10の裏面から出っ張らせて配置するとよい。接触性を高めることで、測定精度の低下防止が図れる。
モーションセンサー23は、ユーザーの運動を測定するためのものであり、例えば、加速度(3軸)、角速度(3軸)、および地磁気(3軸)を検出する9軸センサーで実現できる。このモーションセンサー23の加速度、角速度、および地磁気の各出力値を公知の技術を用いて演算処理することで、ユーザーの身体活動量、歩数、移動距離、速度、例えば「立位」「座位」「腹臥位」といった姿勢、「歩行」「走行」「階段昇降」といった運動(行動)の種類等の情報を測定できる。
GPSセンサー24は、測位用衛星の一種であるGPS衛星から送信されるGPS衛星信号を受信し、受信したGPS衛星信号を利用してユーザーの位置等を検出するセンサーである。本実施形態では、このGPSセンサー24の検出結果から、ユーザーの居住地域を設定する。なお、GPSを利用してユーザーの位置等を検出する手法については公知であるため、詳細な説明は省略する。
なお、測定装置100は、上記したセンサーとは別に環境情報を測定するためのセンサーをさらに備えていてもよい。例えば、温度センサーや湿度センサー、気圧センサーを備えるとしてもよい。温度センサーは、例えば、サーミスターや熱電対、白金温度計等を用いて実現できる。湿度センサーは、例えば、高分子抵抗式や高分子容量式、酸化アルミ容量式等のものを適宜選択して用いることができる。また、気圧センサーは、MEMS静電容量型やピエゾ抵抗型等のものを適宜選択して用いることができる。
[原理]
第1実施形態では、N種類(N≧3)の時系列のサンプリングデータとして、測定装置100により毎分測定された熱流束S(t)[W/m]、手首温度S(t)[℃]、動脈血中酸素飽和度S(t)[%]、および脈拍数S(t)[bmp]の4種類の生体情報S(t)(n=1〜4)を例示する。図6に、時刻t(t,t,・・・)における各生体情報S(t)の一例を表形式で示す。また、図7は熱流束S(t)、図8は手首温度S(t)、図9は動脈血中酸素飽和度S(t)、図10は脈拍数S(t)を、それぞれ横軸を時刻tとしてグラフ化した図である。
近年、体温や血圧、身体活動量といった生体情報を測定し、健康管理等に活用しようとする試みが盛んである。生体情報は、食事や運動、呼吸、睡眠、自律神経(交感神経又は副交感神経)の働き等、生体の状態によって変動することが知られている。例えば、運動時は、一般に脈拍数や熱流束が上昇する。また、副交感神経が働くと脈拍数は減少し、手首温度は上昇すると言われている。一方で、異なる生体情報の間にも、相互に関係があることが知られている。例えば、脈拍数が上昇すると、四肢に送られる血流量が上昇するため熱流束や手首温度が上昇する。したがって、生体の状態は、相関が知られた生体情報を閾値判定する等の手法により分析できるとも考えられる。
しかし、生体情報と生体の状態との関係性は完全に定式化されたものではなく、様々な実験事実の集約としてその関係が指摘されたものに過ぎない。また、生体情報間の相互関係については、原理的な関係が明らかになっていないものも多く、全ての生体情報間の相互関係を明らかにして定式化するのは難しい。そのため、ある生体の状態を特定の生体情報から分析するのでは、別の生体の状態や生体情報の変動がノイズとなって分析対象の状態を正しく把握できない場合があった。
そこで、第1実施形態では、(1)N種類(第1実施形態では4種類)の生体情報S(t)を集約してM種類(M≧2かつN>M)の分類用時系列データを取得し、(2)取得した分類用時系列データをクラスタに分類し、(3)分類したクラスタ毎に時系列の出現データを生成して、生体の状態分析を行う。生体の状態分析結果は、(4)例えばデータ処理装置5において表示され、ユーザーに提示される。
(1)データ集約処理
データ集約処理では先ず、上記4種類の生体情報S(t)を正規化して用い、生体情報S(t)の主成分分析を行う。主成分分析は、公知の手法を用いて行うことができ、互いに直交するX種類(X≧M)の主成分Y(t)〜Y(t)毎に、正規化後の各生体情報S(t)に対する係数ベクトル値αXnが得られる。主成分分析を行ったならば、X種類の主成分Y(t)〜Y(t)からM個を選択し、M種類の分類用時系列データとする。以下では、M=2とし、第1主成分Y(t)〜第X主成分Y(t)のうち、その分散l(t)〜l(t)が最も大きい第1主成分Y(t)と、次順の第2主成分Y(t)とを選択して2種類の分類用時系列データを得る。ここでの処理により、元々の4次元の情報(熱流束、手首温度、動脈血中酸素飽和度、および脈拍数)が、2次元の情報(第1主成分および第2主成分)に次元圧縮(集約)される。
なお、主成分分析に先立ち行う正規化は、生体情報の種類によっては必須ではない。例えば、血圧と脈拍数のように数値やその変動幅が類似する生体情報については、正規化しなくてもよい。また、正規化の手法は、公知の手法を適宜選択して用いることができ、生体情報の種類に応じて別個の手法を適用するとしてもよい。
図11および図12は、図6〜図10に示した生体情報S(t)の主成分分析結果を示す図であり、図11は第1主成分Y(t)、図12は第2主成分Y(t)を、それぞれ横軸を時刻tとしてグラフ化して示している。また、図13に、第1主成分Y(t)を定める各生体情報S(t)に係る係数ベクトル値α1nと、第2主成分Y(t)を定める各生体情報S(t)に係る係数ベクトル値α2nとを示す。
ここで、第1主成分Y(t)は、正規化後の各生体情報S(t)に係数ベクトル値α1nを乗じた線形和であり、第2主成分Y(t)は、正規化後の各生体情報S(t)に係数ベクトル値α2nを乗じた線形和である。つまり、係数ベクトル値α1nは、対応する生体情報S(t)の第1主成分Y(t)における寄与の度合い(影響度)を表し、係数ベクトル値α2nは、対応する生体情報S(t)の第2主成分Y(t)における影響度を表す。よって、これら係数ベクトル値α1n,α2nの値から、各主成分Y(t),Y(t)の意味を類推することができる。
先ず、第1主成分Y(t)では、図13に示すように、熱流束に対する係数ベクトル値α11と脈拍数に対する係数ベクトル値α14とが大きく、同程度の正の値である。また、動脈血中酸素飽和度に対する係数ベクトル値α13も比較的大きく、負の値である。一般に、熱流束は放熱量を意味するため、基礎代謝量と正の相関関係があると考えられる。また、脈拍数は運動強度と正の相関があるため、運動代謝量と正の相関関係があると考えられる。一方、運動する等して代謝量が増えると動脈血中から供給される酸素量が増えることから、動脈血中酸素飽和度は低下すると考えられる。よって、第1主成分Y(t)は、代謝強度を表す尺度と解釈できる。
次に、第2主成分Y(t)については、手首温度に係る係数ベクトル値α22が大きい。一般に、手や足等の末端部位の温度は、自律神経の働きにより変動することが知られている。よって、第2主成分Y(t)は、自律神経の機能度(交感神経が優位の集中した状態なのか副交感神経が優位のリラックスした状態なのか)を表す尺度と解釈できる。
以上のように、データ集約処理によれば、N種類の生体情報を例えば主成分分析して主成分を抽出することで、生体の状態分析に有用なM種類の分類用時系列データ(ここでは代謝強度と自律神経機能度)に集約することができる。
(2)分類処理
分類処理では先ず、データ集約処理で取得したM種類の分類用時系列データをM次元空間にプロットする。第1実施形態では、2種類の分類用時系列データとして取得した第1主成分Y(t)と第2主成分Y(t)とを時刻t(t,t,・・・)毎の組にし、該当する時刻tに測定された各生体情報S(t)の集約データとして2次元空間にプロットする。図14は、横軸を第1主成分Y(t)、縦軸を第2主成分Y(t)として各集約データD1をプロットした図である。上記したように、第1主成分Y(t)は代謝強度を表し、第2主成分Y(t)は自律神経機能度を表す。そのため、各集約データD1の分布から、例えば、運動量や自律神経のバランス等を読み取ることも可能である。
集約データをプロットしたならば、非階層的クラスタリング手法を用いてクラスタリングを行い、各集約データをs個のクラスタに分類する。非階層的クラスタリング手法としては、例えば、k−means法やk−means++法等が知られており、公知の手法を適宜選択して用いることができる。図15は、クラスタリング結果を示す図であり、s=6として図14の各集約データD1をk−means++法により分類した6個のクラスタG〜Gを示している。ここでの処理により、各集約データD1は、2次元空間内での集約データD1間の距離に基づき例えば6個にグループ分けされる。
(3)出現データ生成処理
出現データ生成処理では先ず、クラスタの分類結果に基づいて時系列クラスタデータc(t)を生成する。図16は、時系列クラスタデータc(t)を示す図である。図16に示すように、時系列クラスタデータc(t)は、各集約データD1が属するクラスタの識別番号cを、その時刻t(t,t,・・・)の順番に並べたデータ列である。
続いて、時系列クラスタデータc(t)に基づいて、各集約データD1の属するクラスタが自クラスタか否かをクラスタG〜G毎に定めた時系列のクラスタ帰属度データB(t)(c=1,2,・・・,s)を生成する。図17は、各クラスタG〜Gのクラスタ帰属度データB(t)を示す図であり、図16の時系列クラスタデータc(t)を併せて示している。図17に示すように、クラスタ帰属度データB(t)は、該当するクラスタに属する集約データに係る時刻tの値を「1」、それ以外の時刻tの値を「0」としたデータ列である。したがって、クラスタ帰属度データB(t)は、特定の時刻tに着目すると(図17の表を横に見ると)、何れか1つに「1」が設定される。例えば時刻t1に着目すると、時系列クラスタデータc(t)から、その集約データが属するクラスタは識別番号c=1のクラスタGである。よって、B(t)が「1」、その他のB(t)〜B(t)は「0」となる。
ここで、各クラスタG〜Gのそれぞれが何らかの生体の状態と関係していると仮定すると、例えばB(t)の値が「1」なのか「0」なのかによって、該当する時刻tにおける生体の状態を大まかに知ることができる。しかし、実際には、生体の状態は連続的に変化するものであり、「1」か「0」かの2値では当該状態を正確に反映した値とはいえない。
そこで、クラスタ帰属度データB(t)を生成したならば、各クラスタ帰属度データB(t)を順次処理し、集約データの出現確率を算出時刻別に算出して各クラスタG〜Gの出現データP(t)を生成する。具体的には、例えば、各時刻tを算出時刻とする。そして、算出時刻tを基準とした所定時間幅で、処理対象のクラスタ帰属度データB(t)の平均値を次式(1)に従って算出する。これを、算出時刻tをずらしながら行い、算出した平均値を当該クラスタに属する集約データの該当する時刻tにおける出現確率として、時系列の出現データP(t)を得る。所定時間幅は、例えば算出時刻tの前後20[min](つまりτ=10[min])とする等、適宜設定してよい。
図18にクラスタGの出現データP(t)、図19にクラスタGの出現データP(t)、図20にクラスタGの出現データP(t)、図21にクラスタGの出現データP(t)、図22にクラスタGの出現データP(t)、図23にクラスタGの出現データP(t)を、それぞれ横軸を時刻tとしてグラフ化して示す。図18〜図23によれば、各クラスタG〜Gに属する集約データは、それぞれ時間的に偏在して出現していることがわかる。
詳細に検討する。先ず、出現データP(t)と出現データP(t)に着目する。図24は、出現データP(t)と出現データP(t)とを共通の時間軸上で重ねてグラフ化した図である。これら出現データP(t)および出現データP(t)によれば、クラスタG,Gに属する集約データは、何れも正午頃に出現し、夕方から夜間にかけても出現する。そして、1日のユーザーの行動と照らし合わせると、クラスタGに係る集約データの出現時間帯は食事の時間帯と一致し、クラスタGに係る集約データの出現時間帯は通勤や食事のための移動で運動(歩行)している時間帯と一致する。このことから、出現データP(t)は食事をしている状態(食事状態)、出現データP(t)は運動をしている状態(運動状態)をそれぞれ表していると考えられる。図15で見ると、例えばクラスタGは、代謝強度が大きく、運動状態として妥当である。
次に、出現データP(t)と出現データP(t)に着目する。図25は、出現データP(t)と出現データP(t)とを重ねてグラフ化した図である。出現データP(t)によれば、クラスタGに属する集約データは夜間に出現する。また、出現データP(t)によれば、クラスタGに属する集約データは深夜や早朝に出現する。そして、1日のユーザーの行動と照らし合わせると、クラスタGに係る集約データの出現時間帯は睡眠時間帯と一致し、クラスタGに係る集約データの出現時間帯はそのうちの就寝前後および起床前後の時間帯と一致している。このことから、出現データP(t)は深い睡眠状態、出現データP(t)は浅い睡眠状態をそれぞれ表していると考えられる。図15で見ると、クラスタG,Gは何れも代謝強度が小さく、睡眠状態として妥当である。
次に、出現データP(t)と出現データP(t)に着目する。図26は、出現データP(t)と出現データP(t)とを重ねてグラフ化した図である。これら出現データP(t)およびP(t)によれば、クラスタG,Gに属する集約データは、何れも日中の活動時間帯に出現する。そして、1日のユーザーの行動と照らし合わせると、クラスタGに係る集約データの出現時間帯はデスクワーク等の時間帯と一致し、クラスタGに係る集約データの出現時間帯は休憩時間帯等と一致する。このことから、出現データP(t)は副交感神経が優位のリラックスした状態、出現データP(t)は交感神経が優位(覚醒時)の集中した状態をそれぞれ表していると考えられる。図15で見ても、クラスタGは交感神経が優位で、クラスタGは副交感神経が優位である。
以上のように、出現データ生成処理によれば、代謝強度を表す第1主成分Y(t)と、自律神経機能度を表す第2主成分Y(t)との組み合わせにより、各クラスタG〜Gの出現データP(t)を生体の状態と関連付けることができる。したがって、各時刻tで測定された複数の生体情報の値から、該当する時刻tにおける生体の状態を正しく把握することが可能となる。
なお、以上のように生成した各クラスタG〜Gの出現データP(t)と生体の状態との関係は、公知の回帰分析を行う等して求めることもできる。例えば、各出現データP(t)の生体の状態を表す相対値C(t)を別の測定手法を用いて求める。そして、求めた相対値C(t)を目的変数とし、出現データP(t)を説明変数として回帰分析を行う。より具体的には、個々の生体の状態を表す相対値C(t)に対して次式(2)を適用して回帰分析を行い、最小二乗法等により係数ベクトル値βを求める手法が挙げられる。
また、生体の状態を表す相対値C(t)が数値化困難である場合も想定される。その場合は、例えば生体の状態がユーザーの「歩く」「座る」「立つ」等の動作である場合であれば、ユーザーをビデオカメラで撮影して映像を解析することにより、時刻tにおけるそれら動作の有無(有=1/無=0)を特定する。そして、クラスタ帰属度データB(t)から出現データP(t)を生成する際と同様の要領で時間平均し、相対値C(t)としてもよい。
(4)表示制御処理
以上のように生体の状態分析を行なったならば、データ処理装置5は、当該状態分析結果を表示する制御を行う。図27は、状態分析結果の表示例を示す図である。状態分析結果の表示は、例えば図27に示すように、図18〜図23に示した各出現データP(t)のグラフを共通の時間軸上で表示することで行う。具体的には、出現データP(t)毎にグラフの内側の領域を異なる表示色で塗り潰し、各々を識別可能に表示する。その際、重畳する他の出現データP(t)の視認性を向上させるため、塗り潰しの透過率を調整するとしてもよい。もちろん、各出現データP(t)が識別できればよいため、グラフ内側の領域を塗り潰す以外にも、グラフの線種や表示色を変える等して各出現データP(t)を識別表示するのでもよい。また、表示色は固定でもよいし、ユーザーの操作入力に応じて可変に設定するとしてもよい。
なお、図27の表示態様は一例であって、状態分析結果の表示態様は特に限定されない。例えば、周方向に時間軸をとった文字盤状に表示してもよい。本表示例を図28および図29に示す。例えば図28に示すように、円周方向に角度と時刻tとを対応付けて、360度を12時間とする半日分の各出現データP(t)を円グラフで表示してもよい。この場合も、各出現データP(t)に異なる表示色を適用する。加えて、該当する時刻tでの出現確率に応じて表示色の濃淡を調整する。例えば、出現確率の値が大きいほど濃く(出現確率の値が小さいほど薄く)調整する。表示する時間範囲は、例えば現在時刻から遡って12時間分とする。あるいは、ユーザーの操作入力を受け付けて指定日の午前の12時間分と午後の12時間分とを切り替えて表示し、あるいは双方を並べて表示するのでもよい。
また、図29に示すように、円周方向に角度と時刻tとを対応付けて、各出現データP(t)をレーダーチャートで表示してもよい。表示色の色分けやその濃淡、表示時間範囲は、円グラフ表示の場合と同様である。これら各出現データP(t)の円グラフ表示やレーダーチャート表示によれば、ユーザーは、時間経過に伴う生体の状態変化や出現確率が示す当該状態の程度をより直観的に把握することができる。
その他、図18〜図23に示した各出現データP(t)のグラフをユーザーの操作入力に応じて切り替えて表示するのでもよいし、各グラフを並べて表示するとしてもよい。また、ユーザーが、状態分析結果の表示態様を上記各種の表示態様の中から選べるようにしてもよい。また、状態分析結果の表示は、出現データP(t)の表示によって行う場合に限らず、例えば、各クラスタG〜Gについてそれぞれ回帰分析を行い、式(2)により算出した時系列の回帰分析データC(t)を上記各種の表示態様で表示する構成としてもよい。
また、データ処理装置5が分析結果を測定装置100に送信し、状態分析結果の表示は測定装置100で行う構成としてもよい。あるいは、データ処理装置5や測定装置100とは別の電子機器等に転送してその表示装置に表示する構成でもよい。例えば測定装置100に表示する場合であれば、文字盤11の前面に配置された液晶パネルにおいて各クラスタG〜Gの出現データP(t)を文字盤状に表示することにより、状態分析結果を現在時刻と併せて表示できる。図30〜図32は、測定装置100における状態分析結果の表示例を示す図である。
例えば、図30に示すように、文字盤11において図28の円グラフの外周部分を表示するとしてもよい。あるいは、図31に示すように、図29と同様のレーダーチャートを文字盤11に表示するとしてもよい。また、図示しないが、図28と同様の円グラフを文字盤11に表示するのでもよい。
また、図32に示すように、文字盤11の外周に沿って時刻の目盛りの位置に、各出現データP(t)の代表値を表す代表値マークMKを表示する構成としてもよい。この場合には、出現データP(t)を順次処理対象とし、表示時間範囲を1[min]等の単位時間で区切って各時刻tの出現確率の平均値を算出する。平均値に限らず、単位時間内の最頻値を算出してもよい。続いて、単位時間毎に各出現データP(t)の平均値のうちの最大値を選出し、該当する単位時間における代表値とする。そして、代表値に基づき代表値マークMKを表示する制御を行う。具体的には、その表示色を当該代表値の出典元のクラスタに応じた表示色とし、その濃淡を代表値に基づき調整する。
[機能構成]
図33は、データ処理装置5の主要な機能構成例を示すブロック図である。図33に示すように、データ処理装置5は、操作入力部51と、表示部53と、通信部55と、演算処理部57と、記憶部59とを備える。
操作入力部51は、ユーザーによる各種操作入力を受け付け、操作入力に応じた操作入力信号を演算処理部57へ出力する。ボタンスイッチやレバースイッチ、ダイヤルスイッチ、タッチパネル等により実現できる。
表示部53は、LCD(Liquid Crystal Display)、OELD(Organic Electroluminescence Display)、電子ペーパーディスプレイ等の表示装置によって実現され、演算処理部57からの表示信号に基づく各種表示を行う。
通信部55は、演算処理部57の制御のもと、外部(例えば測定装置100)との間でデータを送受するための通信装置である。この通信部55の通信方式としては、無線通信を利用して無線接続する形式や、所定の通信規格に準拠したケーブルを介して有線接続する形式、クレイドル等と呼ばれる充電器と兼用の中間装置を介して接続する形式等、種々の方式を適用可能である。
演算処理部57は、各機能部との間でデータの入出力制御を行い、所定のプログラムやデータ、操作入力部51からの操作入力信号、通信部55を介して測定装置100から取得した生体情報S(t)等に基づき各種の演算処理を実行する。例えば、CPU(Central Processing Unit)やGPU(Graphics Processing Unit)等のマイクロプロセッサーや、ASIC(Application Specific Integrated Circuit)、FPGA(Field Programmable Gate Array)、IC(Integrated Circuit)メモリー等の電子部品によって実現される。
この演算処理部57は、生体情報取得部571と、データ集約部572と、分類部574と、出現データ生成部575と、表示制御部578とを含む。
生体情報取得部571は、測定装置100とのデータ通信を制御し、通信部55を介して測定装置100から生体情報S(t)を取得する。
データ集約部572は、N種類(第1実施形態では、熱流束、手首温度、動脈血中酸素飽和度、および脈拍数の4種類)の生体情報S(t)を主成分分析し、第1主成分Y(t)〜第X主成分Y(t)を求めることでX種類の分類用時系列データに集約する。このデータ集約部572は、X種類の分類用時系列データからM種類を選択する選択部573を備える。第1実施形態では、第1主成分Y(t)と第2主成分Y(t)とを選択する。
分類部574は、第1主成分Y(t)と第2主成分Y(t)の集約データを2次元空間にプロットし、それらの2次元空間内の距離に基づいて各集約データを複数(例えば6個)のクラスタG〜Gに分類する。
出現データ生成部575は、各クラスタG〜Gの出現データP(t)を生成する。この出現データ生成部575は、クラスタ帰属度算出部576と、出現確率算出部577とを備える。クラスタ帰属度算出部576は、各集約データの属するクラスタが自クラスタか否かをクラスタG〜G毎に定めた時系列のクラスタ帰属度データB(t)を生成する。出現確率算出部577は、クラスタ帰属度データB(t)を順次処理対象とし、算出時刻をずらしながら所定時間幅で平均して、算出時刻別に出現確率を算出する。
表示制御部578は、出現データ生成部575によって生成された各クラスタG〜Gの出現データP(t)を生体の状態分析結果として表示部53に表示する制御を行う。
記憶部59は、ICメモリーやハードディスク、光学ディスク等の記憶媒体により実現されるものである。この記憶部59には、データ処理装置5を動作させ、データ処理装置5が備える種々の機能を実現するためのプログラムや、当該プログラムの実行中に使用されるデータ等が予め格納され、あるいは処理の都度一時的に格納される。なお、演算処理部57と記憶部59との接続は、装置内の内部バス回路による接続に限らず、LAN(Local Area Network)やインターネット等の通信回線で実現してもよい。その場合、記憶部59は、データ処理装置5とは別の外部記憶装置により実現されるとしてもよい。
また、記憶部59には、データ処理プログラム591と、分析結果データ593とが格納される。
演算処理部57は、データ処理プログラム591を読み出して実行することにより、生体情報取得部571、データ集約部572、分類部574、出現データ生成部575、表示制御部578等の機能を実現する。なお、これらの各部は、演算処理部57がデータ処理プログラム591を読み出して実行することで、ソフトウェア的に実現されるものとして説明するが、各部専用の電子回路を構成してハードウェア的に実現することも可能である。
分析結果データ593は、各クラスタG〜Gの出現データP(t)や回帰分析データC(t)を生体の状態分析結果として記憶する。
[処理の流れ]
図34は、データ処理装置5が行う処理の流れを示すフローチャートである。ここで説明する処理は、演算処理部57が記憶部59からデータ処理プログラム591を読み出して実行し、データ処理装置5の各部を動作させることで実現できる。
先ず、生体情報取得部571が測定装置100とのデータ通信を制御し、測定装置100が時系列で測定した生体情報S(t)を取得する(ステップT1)。
次に、データ集約部572が、ステップT1で取得したうちの例えば熱流束、手首温度、動脈血中酸素飽和度、および脈拍数の4種類の生体情報S(t)を主成分分析し、第1主成分Y(t)〜第X主成分Y(t)を求める(ステップT3)。そして、選択部573が、求めたX種類の主成分Y(t)〜Y(t)からM個、例えば第1主成分Y(t)および第2主成分Y(t)を選択して、M種類の分類用時系列データとする(ステップT5)。
次に、分類部574が、ステップT5で選択した第1主成分Y(t)と第2主成分Y(t)とを時刻t毎の組(集約データ)にして2次元空間にプロットする(ステップT7)。そして、プロットした各集約データをクラスタリングして複数のクラスタG〜Gに分類する(ステップT9)。
次に、出現データ生成部575においてクラスタ帰属度算出部576が、クラスタの分類結果に基づいて時系列クラスタデータc(t)を生成する(ステップT11)。そして、時系列クラスタデータc(t)に基づいて、クラスタG〜G毎に時系列のクラスタ帰属度データB(t)を生成する(ステップT13)。その後、出現確率算出部577が、各クラスタ帰属度データB(t)に基づき各クラスタG〜Gについて算出時刻別の出現確率を算出することで、各クラスタG〜Gの出現データP(t)を生成する(ステップT15)。
出現データP(t)を生成したならば、表示制御部578が、生体の状態分析結果として表示部53に表示する制御を行う(ステップT17)。
以上説明したように、第1実施形態によれば、互いに単位や概念の異なるN種類の生体情報S(t)を複合的に考慮し、各クラスタG〜Gの出現データP(t)が表す生体の状態を分析することができる。
<第2実施形態>
第2実施形態では、小売店における商品の購入者情報をN種類(N≧3)の時系列のサンプリングデータとして処理し、例えば小売店に来店した顧客の分析を行う。購入者情報は、予め購入者(顧客)から入手した例えば年齢や性別、住所等の顧客情報を含む。顧客情報は、実店舗であればポイントカードの作成時、インターネット店舗であれば購入前の会員登録時等に収集できる。そして、商品購入時に、ポイントカードや会員登録情報と、購入した商品とを関連付けることで、各購入者がいつ、どのような商品を購入したかの情報を収集できる。以下、実店舗における購入者情報に基づく顧客分析のシミュレーション例を説明する。
[原理]
図35に、小売店R21を原点とする平面状のXY座標系の周辺地図を示す。本例において、小売店R21は、鉄道沿線のA駅近くに立地する。周辺には、戸建住宅の多い地区(戸建住宅地区)イと、独身アパートの多い地区(独身アパート地区)ロと、高級住宅街であり高齢者が多く住む地区(高級住宅街地区)ハとが存在している。また、東の方角には大学が、線路を挟んで南西の方角には競合するライバル店R23が立地している。
図36は、サンプリングデータとする1日分の購入者情報S(t)の一例を示す図であり、購入時刻である時刻tと対応付けて各購入者情報S(t)をテーブル化して示している。また、図37は、購入者情報S(t)とされる顧客の居住地座標(X,Y)の分布例を示す図である。第2実施形態では、購入者の年齢をS(t)、購入者の住所から特定される居住地のX座標をS(t)、当該居住地のY座標をS(t)、購入金額をS(t)として4種類の購入者情報S(t)を顧客分析に用いる。各購入者情報S(t)は、小売店R21で商品が購入されるたびに1レコード分のデータを生成することで取得できる。そして、顧客分析にあたっては、図36に示すように、例えば5[min]毎のレコードを抽出して用いる。
顧客分析の手順自体は第1実施形態の生体の状態分析の手順と同様であり、第2実施形態のデータ処理装置5b(図42を参照)は先ず、購入者情報S(t)を主成分分析して集約し、M種類(M≧2かつN>M)の分類用時系列データを取得する。そして、(2)取得した分類用時系列データをクラスタに分類し、(3)分類したクラスタ毎に時系列の出現データを生成して、顧客分析を行う。顧客分析結果は、(4)例えばデータ処理装置5bにおいて表示され、ユーザーに提示される。
(1)データ集約処理
データ集約処理では先ず、年齢S(t)、X座標S(t)、Y座標S(t)、および購入金額S(t)の4種類の購入者情報S(t)を正規化して用い、購入者情報S(t)の主成分分析を行う。図38に、第1主成分Y(t)を定める各購入者情報S(t)に係る係数ベクトル値α1nと、第2主成分Y(t)を定める各購入者情報S(t)に係る係数ベクトル値α2nとを示す。
第1実施形態で説明したのと同様に、係数ベクトル値α1nは、対応する購入者情報S(t)の第1主成分Y(t)における影響度を表し、係数ベクトル値α2nは、対応する購入者情報S(t)の第2主成分Y(t)における影響度を表す。そして、これら係数ベクトル値α1n,α2nの値から、各主成分の意味を類推すると、先ず第1主成分Y(t)では、年齢に係る係数ベクトル値α11と、購入金額に係る係数ベクトル値α14とが大きく、同程度の正の値である。これは、年齢と購入金額とには相関があるためと考えられ、第1主成分Y(t)は、相関を表す尺度(以下、「経済年齢指標」と呼ぶ)と解釈できる。
次に、第2主成分Y(t)については、X座標に係る係数ベクトル値α22とY座標に係る係数ベクトル値α23が何れも正の値で大きい。これによれば、第2主成分Y(t)は、X:Y=1:1の方角、すなわち図35中に示した破線矢印の北東の方角と相関する尺度(以下、「北東方向距離指標」と呼ぶ)と解釈できる。
以上のように、データ集約処理によれば、N種類の購入者情報を例えば主成分分析して主成分を抽出することで、顧客分析に有用なM種類の分類用時系列データ(ここでは経済年齢指標と北東方向距離指標)に集約することができる。
(2)分類処理
分類処理では先ず、データ集約処理で取得したM種類の分類用時系列データをM次元空間にプロットする。例えば、第1主成分Y(t)と第2主成分Y(t)とを時刻t(t,t,・・・)毎の組にし、それらを該当する時刻tのレコード(図36)の購入者情報S(t)の集約データとして2次元空間にプロットする。図39は、横軸を第1主成分Y(t)(t)、縦軸を第2主成分Y(t)として各集約データD2をプロットした図である。
集約データをプロットしたならば、クラスタリングを行って各集約データをs個のクラスタに分類する。図40は、クラスタリング結果を示す図であり、s=4として図39の各集約データD2を分類した4個のクラスタG21〜G24を示している。ここで、横軸の第1主成分Y(t)は経済年齢指標、縦軸の第2主成分Y(t)は北東方向距離指標であることから、各クラスタG21〜G24は、顧客の居住地域区分に対応すると考えられる。
すなわち先ず、クラスタG21は、経済年齢指標がやや低い。また、北東方向距離指標は負の値であるため逆の南西の方角と相関する。そして、図35で見ると、小売店R21の南西の方角には独身アパート地区ロが存在していることから、クラスタG21に対応するのは独身アパート地区ロと考えられる。
次に、クラスタG22は、経済年齢指標が低い。また、北東方向距離指標が「0」付近であり小売店R21の近くに住む顧客に対応すると考えられる。小売店R21の近くには大学が存在することから、クラスタG22に対応するのは大学関係者と考えられる。
次に、クラスタG23は、経済年齢指標が中程度であり、その集約データは北東方向に広く分布している。そして、小売店R21の北東の方角には戸建住宅地区イが存在しており、この戸建住宅地区イは面積が広いことから、クラスタG23に対応するのは戸建住宅地区イと考えられる。
次に、クラスタG24は、経済年齢指標が高い。また、北東方向距離指標は負の値であるため南西の方角と相関する。そして、南西の方角には、小売店R21からやや離れた南西の方角に高級住宅街地区ハが存在していることから、クラスタG24に対応するのは高級住宅街地区ハと考えられる。
以上のように、第2実施形態では、分類処理の結果、経済年齢指標を表す第1主成分Y(t)と、北東方向距離指標を表す第2主成分Y(t)との組み合わせから各クラスタG21〜G24に対応する顧客の居住地域区分を特定することができる。
(3)出現データ生成処理
出現データ生成処理では先ず、クラスタの分類結果に基づいて時系列クラスタデータc(t)を生成する。続いて、時系列クラスタデータc(t)に基づいて、各集約データD2の属するクラスタが自クラスタか否かをクラスタG21〜G24毎に定めた時系列のクラスタ帰属度データB(t)(c=1,2,・・・,s)を生成する。そして、各クラスタ帰属度データB(t)に基づいて、各クラスタG21〜G24の出現データP(t)を生成する。
図41は、各クラスタG21〜G24の出現データP(t)を共通の時間軸上で重ねてグラフ化した図である。図41によれば、クラスタG21〜G24のうち、クラスタG21,G22,C23については、その集約データが時間的に偏在して出現していることがわかる。
具体的には、出現データP(t)によれば、クラスタG21に属する集約データは夕方や夜間に多く出現しており、小売店R21の顧客のうちの独身アパート地区ロの顧客は、夕方から夜間の時間帯に小売店R21を利用していることがわかる。また、出現データP(t)によれば、クラスタG22に属する集約データは正午頃に多く出現しており、大学関係者は、昼休憩中に小売店R21を利用していることがわかる。また、出現データP(t)によれば、クラスタG23に属する集約データは午前中や夕方に多く出現しており、戸建住宅地区イの顧客は、日用品の買い物等で小売店R21を利用していると考えられる。また、出現データP(t)によれば、クラスタG24に属する集約データの時間的な出現傾向には特徴が少なく、全体的に出現確率も小さいことから、高級住宅街地区ハの顧客数は少ないと考えられる。これは、南西のライバル店に顧客を奪われている可能性を示唆している。
以上のように、出現データ生成処理によれば、各クラスタG21〜G24の出現データP(t)を、各クラスタG21〜G24に対応する居住地域区分の顧客の小売店R21への来店の状態と関連付けることができる。したがって、各時刻tの複数の購入者情報S(t)の値から、該当する時刻tにおける顧客の来店状態を正しく把握することが可能となる。また、把握した顧客の来店状態から顧客を分析し、各時間帯の客層に応じて陳列する商品の種類や個数を調節することで、売り上げ向上に寄与し得る。例えば、特定の地区に居住する顧客に向けて、曜日や時間帯等に応じたセールを実施するなどの企画の立案等、小売店経営に活用することができる。
(4)表示制御処理
第2実施形態においても、第1実施形態と同様の分析結果の表示制御を実現することができる。例えば図41に示した各出現データP(t)のグラフを表示する等して顧客分析結果を表示する。また、顧客分析結果は、第1実施形態と同様に、データ処理装置5bとは別の電子機器等に転送してその表示装置に表示する構成でもよい。
[機能構成]
図42は、第2実施形態におけるデータ処理装置5bの機能構成例を示すブロック図である。なお、図42において、第1実施形態と同様の構成には同一の符号を付する。
第2実施形態のデータ処理装置5bでは、演算処理部57bは、購入者情報取得部579bと、データ集約部572bと、分類部574bと、出現データ生成部575bと、表示制御部578bとを含む。
購入者情報取得部579bは、例えば小売店R21の顧客情報や販売履歴等を管理している外部装置とのデータ通信を制御し、通信部55を介して購入者情報S(t)を取得する。
データ集約部572bは、N種類(第2実施形態では、年齢、X座標、Y座標、および購入金額の4種類)の購入者情報S(t)を主成分分析し、第1主成分Y(t)〜第X主成分Y(t)を求めることでX種類の分類用時系列データに集約する。このデータ集約部572bは、第1実施形態と同様に、X種類の分類用時系列データからM種類を選択する選択部573bを備える。第2実施形態では、第1主成分Y(t)と第2主成分Y(t)とを選択する。
分類部574bは、第1主成分Y(t)と第2主成分Y(t)の集約データを2次元空間にプロットし、それらの2次元空間内の距離に基づいて各集約データを複数(例えば4個)のクラスタG21〜G24に分類する。
出現データ生成部575bは、各クラスタG21〜G24の出現データP(t)を生成する。この出現データ生成部575bは、第1実施形態と同様に、クラスタ帰属度算出部576bと、出現確率算出部577bとを備える。
表示制御部578bは、出現データ生成部575bによって生成された各クラスタG21〜G24の出現データP(t)を顧客分析結果として表示部53に表示する制御を行う。
また、記憶部59bには、データ処理プログラム591bと、分析結果データ593bとが格納される。
演算処理部57bは、データ処理プログラム591bを読み出して実行することにより、購入者情報取得部579b、データ集約部572b、分類部574b、出現データ生成部575b、表示制御部578b等の機能を実現する。また、分析結果データ593bは、各クラスタG21〜G24の出現データP(t)や回帰分析データC(t)を顧客分析結果として記憶する。
[処理の流れ]
データ処理装置5bが行う処理の流れは、第1実施形態のデータ処理装置5が行う処理の流れと同様であるため、説明を省略する。
以上説明したように、第2実施形態によれば、互いに単位や概念の異なるN種類の購入者情報S(t)を複合的に考慮し、各クラスタG21〜G24に対応する居住地域区分毎の顧客の来店状態を分析することができる。
<変形例>
以上、本発明を適用した実施形態を説明したが、本発明が適用可能な形態は上述した形態に限られない。例えば、以下のような変形例が考えられる。
例えば、集約する対象の生体情報は、第1実施形態で例示した熱流束、手首温度、動脈血中酸素飽和度、および脈拍数の4種類に限らず、N種類(N≧3)の生体情報を適宜選択し、サンプリングデータとしてよい。また、生体情報以外にも、温度や湿度、気圧等の環境情報をサンプリングデータに含めてもよい。
また、X種類の主成分(分類用時系列データ)Y(t)〜Y(t)から選択する主成分は第1主成分および第2主成分の2種類に限らず、3種類以上(ただしM≧2かつN>M)を選択する構成でもよい。その際、X種類の主成分Y(t)〜Y(t)のうち、分散l(t)〜l(t)の大きいものから順にM種類を選択するとしてよい。
また、選択する主成分の数Mは、予め設定される所定数(上記実施形態では2個)を選択する構成に限定されない。例えば、M種類の選択は、次式(3)で表される累積寄与率Rmが閾値Tr以上であることを選択条件とし、選択条件を満たす主成分を選択することで行ってもよい。閾値Trは、例えば「0.8」とする等、予め設定しておけばよい。
また、N種類のサンプリングデータ(第1実施形態の生体情報や第2実施形態の購入者情報)を分類用時系列データに集約する手法は、主成分分析に限定されない。例えば、N種類のサンプリングデータを因子分析し、求めたX種類の共通因子Z(t)〜Z(t)の中からM種類を選択する構成でもよい。また、その際、X種類の共通因子Z(t)〜Z(t)のうち、その分散l(t)〜l(t)の大きいものから順にM種類を選択するとしてもよい。
また、第1実施形態では、データ処理装置5が別体の測定装置100からユーザーの生体情報を取得して分析し、分析結果を表示する構成を例示した。これに対し、データ処理装置5の機能を、測定装置100に組み込み、データ処理装置5と測定装置100とを一体の装置として構成してもよい。また、第1実施形態のデータ処理装置5や第2実施形態のデータ処理装置5bを、インターネット等の通信網を介したサーバーとして構成し、ユーザーは当該サーバーに通信網を介してアクセスして利用する形態としてもよい。
5,5b…データ処理装置、51…操作入力部、53…表示部、55…通信部、57,57b…演算処理部、571…生体情報取得部、572,572b…データ集約部、573,573b…選択部、574,574b…分類部、575,575b…出現データ生成部、576,576b…クラスタ帰属度算出部、577,577b…出現確率算出部、578,578b…表示制御部、579b…購入者情報取得部、59,59b…記憶部、591,591b…データ処理プログラム、593,593b…分析結果データ、100…測定装置、21…熱流センサー、22…光センサー、23…モーションセンサー、24…GPSセンサー、N…通信回線

Claims (8)

  1. 演算処理部が、
    時系列のN種類(N≧3)のサンプリングデータを集約して、M種類(M≧2かつN>M)の分類用時系列データを取得するデータ集約ステップと、
    前記M種類の分類用時系列データを複数のクラスタに分類する分類ステップと、
    前記クラスタ毎に時系列の出現データを生成する出現データ生成ステップと、
    を実行するデータ処理装置。
  2. 前記データ集約ステップは、前記N種類のサンプリングデータをX種類(X≧M)の分類用時系列データに集約し、当該X種類の分類用時系列データから前記M種類を選択すること、
    を含む請求項1に記載のデータ処理装置。
  3. 前記データ集約ステップは、前記N種類のサンプリングデータの主成分分析又は因子分析を行って前記集約を行い、前記分類用時系列データの分散の大きさに基づいて前記選択を行うステップである、
    請求項2に記載のデータ処理装置。
  4. 前記分類ステップは、前記M種類の分類用時系列データをM次元空間にプロットすることと、当該プロットをクラスタリングして前記複数のクラスタに分類することと、
    を含む請求項1〜3の何れか一項に記載のデータ処理装置。
  5. 前記出現データ生成ステップは、前記クラスタ毎に、当該クラスタに属する前記分類用時系列データを、算出時刻をずらしながら所定時間幅で平均した算出時刻別の出現確率を算出すること、
    を含む請求項1〜4の何れか一項に記載のデータ処理装置。
  6. 前記演算処理部が、
    前記時系列の出現データを周方向に時間軸をとった文字盤状に表示制御する表示制御ステップ、
    を実行する請求項1〜5の何れか一項に記載のデータ処理装置。
  7. 前記サンプリングデータは、熱流束、手首温度、動脈血中酸素飽和度、および脈拍数の何れかの生体情報を含む、
    請求項1〜6の何れか一項に記載のデータ処理装置。
  8. 時系列のN種類(N≧3)のサンプリングデータを集約して、M種類(M≧2かつN>M)の分類用時系列データを取得するデータ集約ステップと、
    前記M種類の分類用時系列データを複数のクラスタに分類する分類ステップと、
    前記クラスタ毎に時系列の出現データを生成する出現データ生成ステップと、
    を含むデータ処理方法。
JP2016209167A 2016-10-26 2016-10-26 データ処理装置およびデータ処理方法 Pending JP2018072968A (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2016209167A JP2018072968A (ja) 2016-10-26 2016-10-26 データ処理装置およびデータ処理方法
US15/718,632 US10831755B2 (en) 2016-10-26 2017-09-28 Data processing apparatus and data processing method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016209167A JP2018072968A (ja) 2016-10-26 2016-10-26 データ処理装置およびデータ処理方法

Publications (1)

Publication Number Publication Date
JP2018072968A true JP2018072968A (ja) 2018-05-10

Family

ID=61970343

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016209167A Pending JP2018072968A (ja) 2016-10-26 2016-10-26 データ処理装置およびデータ処理方法

Country Status (2)

Country Link
US (1) US10831755B2 (ja)
JP (1) JP2018072968A (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2020250448A1 (ja) * 2019-06-14 2020-12-17

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10215698B2 (en) 2014-09-02 2019-02-26 Apple Inc. Multiple light paths architecture and obscuration methods for signal and perfusion index optimization
JP6763142B2 (ja) * 2015-12-28 2020-09-30 セイコーエプソン株式会社 内部温度測定装置、リスト装着型装置及び内部温度測定方法
US10918322B2 (en) 2017-02-13 2021-02-16 Apple Inc. Light restriction designs in optical sensing applications having shared windows
EP3658014A1 (en) 2017-09-26 2020-06-03 Apple Inc. Concentric architecture for optical sensing
CN113168918A (zh) * 2018-11-02 2021-07-23 国立研究开发法人理化学研究所 作成健康定位映射及健康函数的方法、系统及程序、以及它们的使用方法
CN109635034B (zh) * 2018-11-08 2020-03-03 北京字节跳动网络技术有限公司 训练数据重采样方法、装置、存储介质及电子设备

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8512240B1 (en) * 2007-11-14 2013-08-20 Medasense Biometrics Ltd. System and method for pain monitoring using a multidimensional analysis of physiological signals
US7738320B2 (en) * 2007-12-03 2010-06-15 General Electric Co. Method and system for enhanced display of temporal data on portable devices
US20120123232A1 (en) * 2008-12-16 2012-05-17 Kayvan Najarian Method and apparatus for determining heart rate variability using wavelet transformation
US8140143B2 (en) * 2009-04-16 2012-03-20 Massachusetts Institute Of Technology Washable wearable biosensor
JP5466713B2 (ja) 2009-12-11 2014-04-09 株式会社日立製作所 生活パターン分類装置及び生活パターン分類システム
US8684921B2 (en) * 2010-10-01 2014-04-01 Flint Hills Scientific Llc Detecting, assessing and managing epilepsy using a multi-variate, metric-based classification analysis
US8858448B2 (en) * 2010-12-20 2014-10-14 Cardiac Pacemakers, Inc. Monitoring projections along principal components of multiple sensors as an indicator of worsening heart failure
US20120316932A1 (en) * 2011-06-10 2012-12-13 Aliphcom Wellness application for data-capable band
JP5808605B2 (ja) * 2011-08-17 2015-11-10 株式会社日立製作所 異常検知・診断方法、および異常検知・診断システム
US9110553B2 (en) * 2011-12-28 2015-08-18 Cerner Innovation, Inc. Health forecaster
US9672527B2 (en) * 2013-01-21 2017-06-06 Tejas Networks Limited Associating and consolidating MME bearer management functions
JP5937529B2 (ja) 2013-02-19 2016-06-22 日本電信電話株式会社 時系列データ成分分解装置、方法、プログラム、及び記録媒体
JP5877825B2 (ja) 2013-11-25 2016-03-08 ヤフー株式会社 データ処理装置、及びデータ処理方法
US9921937B2 (en) * 2014-01-23 2018-03-20 Microsoft Technology Licensing, Llc Behavior clustering analysis and alerting system for computer applications
US10191956B2 (en) * 2014-08-19 2019-01-29 New England Complex Systems Institute, Inc. Event detection and characterization in big data streams
US20160110478A1 (en) * 2014-10-17 2016-04-21 General Electric Company System and methods for quantization and featurization of time-series data
KR101903522B1 (ko) * 2015-11-25 2018-11-23 한국전자통신연구원 다차원 건강데이터에 대한 유사사례 검색 방법 및 그 장치
US10410113B2 (en) * 2016-01-14 2019-09-10 Preferred Networks, Inc. Time series data adaptation and sensor fusion systems, methods, and apparatus
JP6439729B2 (ja) * 2016-03-24 2018-12-19 トヨタ自動車株式会社 睡眠状態推定装置
US10506987B2 (en) * 2016-07-06 2019-12-17 Cardiac Pacemakers, Inc. Readmission risk assessment based on chronobiological rhythms
US20180096243A1 (en) * 2016-09-30 2018-04-05 General Electric Company Deep learning for data driven feature representation and anomaly detection

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2020250448A1 (ja) * 2019-06-14 2020-12-17
WO2020250448A1 (ja) * 2019-06-14 2020-12-17 日本電信電話株式会社 情報抽出装置、情報抽出方法、及び情報抽出プログラム

Also Published As

Publication number Publication date
US10831755B2 (en) 2020-11-10
US20180113911A1 (en) 2018-04-26

Similar Documents

Publication Publication Date Title
US10831755B2 (en) Data processing apparatus and data processing method
US11259707B2 (en) Methods, systems and devices for measuring heart rate
US9712629B2 (en) Tracking user physical activity with multiple devices
US8827906B2 (en) Methods, systems and devices for measuring fingertip heart rate
US8849610B2 (en) Tracking user physical activity with multiple devices
US8775120B2 (en) Method of data synthesis
US10983945B2 (en) Method of data synthesis
Ali et al. Real-time heart pulse monitoring technique using wireless sensor network and mobile application
Al-Eidan et al. A Review of Wrist‐Worn Wearable: Sensors, Models, and Challenges
US9044150B2 (en) Biometric monitoring device with heart rate measurement activated by a single user-gesture
US9655548B2 (en) Biometric monitoring device with immersion sensor and swim stroke detection and related methods
KR101970077B1 (ko) 데이터 태깅
US9042971B2 (en) Biometric monitoring device with heart rate measurement activated by a single user-gesture
US20170188864A1 (en) Spherical handheld biosensor array device for physiological status monitoring
EP2892421A1 (en) Systems, devices and methods for continuous heart rate monitoring and interpretation
CA2817341A1 (en) Nutrition management method and apparatus for a wellness application using data from a data-capable band
JP2018068465A (ja) 生体情報処理装置および生体情報処理方法
CA2817145A1 (en) Determinative processes for wearable devices
JP2018023459A (ja) 体内時計時刻算出装置および体内時計時刻算出方法
AU2012267460A1 (en) Spacial and temporal vector analysis in wearable devices using sensor data
US20240203585A1 (en) Techniques for leveraging data collected by wearable devices and additional devices
Choi et al. Daily physiological signal monitoring system for fostering social well-being in smart spaces
JP2021122581A (ja) 生体情報処理方法、および、生体情報処理システム
CN104517026A (zh) 用于物理接触启动显示和导航的方法、系统和设备
AU2012267983A1 (en) Nutrition management method and apparatus for a wellness application using data from a data-capable band