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

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_ｎ（ｔ）の一例を表形式で示す図。 熱流束Ｓ_１（ｔ）をグラフ化した図。 手首温度Ｓ_２（ｔ）をグラフ化した図。 動脈血中酸素飽和度Ｓ_３（ｔ）をグラフ化した図。 脈拍数Ｓ_４（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_１（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_２（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_１（ｔ）および第２主成分Ｙ_２（ｔ）を定める係数ベクトル値α_１ｎ，α_２ｎを示す図。 第１実施形態における第１主成分Ｙ_１（ｔ）および第２主成分Ｙ_２（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_Ｃ（ｔ）を示す図。 クラスタＧ_１の出現データＰ_１（ｔ）をグラフ化した図。 クラスタＧ_２の出現データＰ_２（ｔ）をグラフ化した図。 クラスタＧ_３の出現データＰ_３（ｔ）をグラフ化した図。 クラスタＧ_４の出現データＰ_４（ｔ）をグラフ化した図。 クラスタＧ_５の出現データＰ_５（ｔ）をグラフ化した図。 クラスタＧ_６の出現データＰ_６（ｔ）をグラフ化した図。 出現データＰ_１（ｔ）出現データＰ_５（ｔ）とを重ねてグラフ化した図。 出現データＰ_３（ｔ）出現データＰ_６（ｔ）とを重ねてグラフ化した図。 出現データＰ_２（ｔ）出現データＰ_４（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_ｎ（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_１（ｔ）および第２主成分Ｙ_２（ｔ）を定める係数ベクトル値α_１ｎ，α_２ｎを示す図。 第２実施形態における第１主成分Ｙ_１（ｔ）および第２主成分Ｙ_２（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Ｇ_２１〜Ｇ_２４の出現データＰ_Ｃ（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_１（ｔ）［Ｗ／ｍ^２］、手首温度Ｓ_２（ｔ）［℃］、動脈血中酸素飽和度Ｓ_３（ｔ）［％］、および脈拍数Ｓ_４（ｔ）［ｂｍｐ］の４種類の生体情報Ｓ_ｎ（ｔ）（ｎ＝１〜４）を例示する。図６に、時刻ｔ（ｔ_１，ｔ_２，・・・）における各生体情報Ｓ_ｎ（ｔ）の一例を表形式で示す。また、図７は熱流束Ｓ_１（ｔ）、図８は手首温度Ｓ_２（ｔ）、図９は動脈血中酸素飽和度Ｓ_３（ｔ）、図１０は脈拍数Ｓ_４（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_ｎ（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_ｎ（ｔ）を正規化して用い、生体情報Ｓ_ｎ（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_１（ｔ）〜Ｙ_Ｘ（ｔ）毎に、正規化後の各生体情報Ｓ_ｎ（ｔ）に対する係数ベクトル値α_Ｘｎ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_１（ｔ）〜Ｙ_Ｘ（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_１（ｔ）〜第Ｘ主成分Ｙ_Ｘ（ｔ）のうち、その分散ｌ_１（ｔ）〜ｌ_Ｘ（ｔ）が最も大きい第１主成分Ｙ_１（ｔ）と、次順の第２主成分Ｙ_２（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_ｎ（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_１（ｔ）、図１２は第２主成分Ｙ_２（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_１（ｔ）を定める各生体情報Ｓ_ｎ（ｔ）に係る係数ベクトル値α_１ｎと、第２主成分Ｙ_２（ｔ）を定める各生体情報Ｓ_ｎ（ｔ）に係る係数ベクトル値α_２ｎとを示す。

ここで、第１主成分Ｙ_１（ｔ）は、正規化後の各生体情報Ｓ_ｎ（ｔ）に係数ベクトル値α_１ｎを乗じた線形和であり、第２主成分Ｙ_２（ｔ）は、正規化後の各生体情報Ｓ_ｎ（ｔ）に係数ベクトル値α_２ｎを乗じた線形和である。つまり、係数ベクトル値α_１ｎは、対応する生体情報Ｓ_ｎ（ｔ）の第１主成分Ｙ_１（ｔ）における寄与の度合い（影響度）を表し、係数ベクトル値α_２ｎは、対応する生体情報Ｓ_ｎ（ｔ）の第２主成分Ｙ_２（ｔ）における影響度を表す。よって、これら係数ベクトル値α_１ｎ，α_２ｎの値から、各主成分Ｙ_１（ｔ），Ｙ_２（ｔ）の意味を類推することができる。

先ず、第１主成分Ｙ_１（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α_１１と脈拍数に対する係数ベクトル値α_１４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α_１３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_１（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_２（ｔ）については、手首温度に係る係数ベクトル値α_２２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_２（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_１（ｔ）と第２主成分Ｙ_２（ｔ）とを時刻ｔ（ｔ_１，ｔ_２，・・・）毎の組にし、該当する時刻ｔに測定された各生体情報Ｓ_ｎ（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_１（ｔ）、縦軸を第２主成分Ｙ_２（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_１（ｔ）は代謝強度を表し、第２主成分Ｙ_２（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_１〜Ｇ_６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_１，ｔ_２，・・・）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_１〜Ｇ_６毎に定めた時系列のクラスタ帰属度データＢ_Ｃ（ｔ）（ｃ＝１，２，・・・，ｓ）を生成する。図１７は、各クラスタＧ_１〜Ｇ_６のクラスタ帰属度データＢ_Ｃ（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_Ｃ（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_Ｃ（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_１である。よって、Ｂ_１（ｔ_１）が「１」、その他のＢ_２（ｔ_１）〜Ｂ_６（ｔ_１）は「０」となる。

ここで、各クラスタＧ_１〜Ｇ_６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_Ｃ（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_Ｃ（ｔ）を生成したならば、各クラスタ帰属度データＢ_Ｃ（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_１〜Ｇ_６の出現データＰ_Ｃ（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_Ｃ（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_Ｃ（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_１の出現データＰ_１（ｔ）、図１９にクラスタＧ_２の出現データＰ_２（ｔ）、図２０にクラスタＧ_３の出現データＰ_３（ｔ）、図２１にクラスタＧ_４の出現データＰ_４（ｔ）、図２２にクラスタＧ_５の出現データＰ_５（ｔ）、図２３にクラスタＧ_６の出現データＰ_６（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_１〜Ｇ_６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_１（ｔ）と出現データＰ_５（ｔ）に着目する。図２４は、出現データＰ_１（ｔ）と出現データＰ_５（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_１（ｔ）および出現データＰ_５（ｔ）によれば、クラスタＧ_１，Ｇ_５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_１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_５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_１（ｔ）は食事をしている状態（食事状態）、出現データＰ_５（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_５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_３（ｔ）と出現データＰ_６（ｔ）に着目する。図２５は、出現データＰ_３（ｔ）と出現データＰ_６（ｔ）とを重ねてグラフ化した図である。出現データＰ_６（ｔ）によれば、クラスタＧ_６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_３（ｔ）によれば、クラスタＧ_３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_６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_３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_６（ｔ）は深い睡眠状態、出現データＰ_３（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_３，Ｇ_６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_２（ｔ）と出現データＰ_４（ｔ）に着目する。図２６は、出現データＰ_２（ｔ）と出現データＰ_４（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_２（ｔ）およびＰ_４（ｔ）によれば、クラスタＧ_２，Ｇ_４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_４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_２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_２（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_４（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_４は交感神経が優位で、クラスタＧ_２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_１（ｔ）と、自律神経機能度を表す第２主成分Ｙ_２（ｔ）との組み合わせにより、各クラスタＧ_１〜Ｇ_６の出現データＰ_Ｃ（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_１〜Ｇ_６の出現データＰ_Ｃ（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_Ｃ（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_Ｃ（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_Ｃ（ｔ）から出現データＰ_Ｃ（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_Ｃ（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_Ｃ（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_Ｃ（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_Ｃ（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_Ｃ（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_Ｃ（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_Ｃ（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_Ｃ（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_Ｃ（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_Ｃ（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_Ｃ（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_１〜Ｇ_６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_１〜Ｇ_６の出現データＰ_Ｃ（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_Ｃ（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_Ｃ（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_Ｃ（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_ｎ（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_ｎ（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_ｎ（ｔ）を主成分分析し、第１主成分Ｙ_１（ｔ）〜第Ｘ主成分Ｙ_Ｘ（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_１（ｔ）と第２主成分Ｙ_２（ｔ）とを選択する。

分類部５７４は、第１主成分Ｙ_１（ｔ）と第２主成分Ｙ_２（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_１〜Ｇ_６に分類する。

出現データ生成部５７５は、各クラスタＧ_１〜Ｇ_６の出現データＰ_Ｃ（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_１〜Ｇ_６毎に定めた時系列のクラスタ帰属度データＢ_Ｃ（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_Ｃ（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_１〜Ｇ_６の出現データＰ_Ｃ（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_１〜Ｇ_６の出現データＰ_Ｃ（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_ｎ（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_ｎ（ｔ）を主成分分析し、第１主成分Ｙ_１（ｔ）〜第Ｘ主成分Ｙ_Ｘ（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_１（ｔ）〜Ｙ_Ｘ（ｔ）からＭ個、例えば第１主成分Ｙ_１（ｔ）および第２主成分Ｙ_２（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_１（ｔ）と第２主成分Ｙ_２（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_１〜Ｇ_６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_１〜Ｇ_６毎に時系列のクラスタ帰属度データＢ_Ｃ（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_Ｃ（ｔ）に基づき各クラスタＧ_１〜Ｇ_６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_１〜Ｇ_６の出現データＰ_Ｃ（ｔ）を生成する（ステップＴ１５）。

出現データＰ_Ｃ（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_ｎ（ｔ）を複合的に考慮し、各クラスタＧ_１〜Ｇ_６の出現データＰ_Ｃ（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_ｎ（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_ｎ（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_ｎ（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_１（ｔ）、購入者の住所から特定される居住地のＸ座標をＳ_２（ｔ）、当該居住地のＹ座標をＳ_３（ｔ）、購入金額をＳ_４（ｔ）として４種類の購入者情報Ｓ_ｎ（ｔ）を顧客分析に用いる。各購入者情報Ｓ_ｎ（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_ｎ（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_１（ｔ）、Ｘ座標Ｓ_２（ｔ）、Ｙ座標Ｓ_３（ｔ）、および購入金額Ｓ_４（ｔ）の４種類の購入者情報Ｓ_ｎ（ｔ）を正規化して用い、購入者情報Ｓ_ｎ（ｔ）の主成分分析を行う。図３８に、第１主成分Ｙ_１（ｔ）を定める各購入者情報Ｓ_ｎ（ｔ）に係る係数ベクトル値α_１ｎと、第２主成分Ｙ_２（ｔ）を定める各購入者情報Ｓ_ｎ（ｔ）に係る係数ベクトル値α_２ｎ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α_１ｎは、対応する購入者情報Ｓ_ｎ（ｔ）の第１主成分Ｙ_１（ｔ）における影響度を表し、係数ベクトル値α_２ｎは、対応する購入者情報Ｓ_ｎ（ｔ）の第２主成分Ｙ_２（ｔ）における影響度を表す。そして、これら係数ベクトル値α_１ｎ，α_２ｎ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_１（ｔ）では、年齢に係る係数ベクトル値α_１１と、購入金額に係る係数ベクトル値α_１４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_１（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_２（ｔ）については、Ｘ座標に係る係数ベクトル値α_２２とＹ座標に係る係数ベクトル値α_２３が何れも正の値で大きい。これによれば、第２主成分Ｙ_２（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_１（ｔ）と第２主成分Ｙ_２（ｔ）とを時刻ｔ（ｔ_１，ｔ_２，・・・）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_ｎ（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_１（ｔ）（ｔ）、縦軸を第２主成分Ｙ_２（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Ｇ_２１〜Ｇ_２４を示している。ここで、横軸の第１主成分Ｙ_１（ｔ）は経済年齢指標、縦軸の第２主成分Ｙ_２（ｔ）は北東方向距離指標であることから、各クラスタＧ_２１〜Ｇ_２４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Ｇ_２１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Ｇ_２１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Ｇ_２２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Ｇ_２２に対応するのは大学関係者と考えられる。

次に、クラスタＧ_２３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Ｇ_２３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Ｇ_２４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Ｇ_２４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_１（ｔ）と、北東方向距離指標を表す第２主成分Ｙ_２（ｔ）との組み合わせから各クラスタＧ_２１〜Ｇ_２４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Ｇ_２１〜Ｇ_２４毎に定めた時系列のクラスタ帰属度データＢ_Ｃ（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_Ｃ（ｔ）に基づいて、各クラスタＧ_２１〜Ｇ_２４の出現データＰ_Ｃ（ｔ）を生成する。

図４１は、各クラスタＧ_２１〜Ｇ_２４の出現データＰ_Ｃ（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Ｇ_２１〜Ｇ_２４のうち、クラスタＧ_２１，Ｇ_２２，Ｃ_２３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_１（ｔ）によれば、クラスタＧ_２１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_２（ｔ）によれば、クラスタＧ_２２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_３（ｔ）によれば、クラスタＧ_２３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_４（ｔ）によれば、クラスタＧ_２４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Ｇ_２１〜Ｇ_２４の出現データＰ_Ｃ（ｔ）を、各クラスタＧ_２１〜Ｇ_２４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_ｎ（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_Ｃ（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_ｎ（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_ｎ（ｔ）を主成分分析し、第１主成分Ｙ_１（ｔ）〜第Ｘ主成分Ｙ_Ｘ（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_１（ｔ）と第２主成分Ｙ_２（ｔ）とを選択する。

分類部５７４ｂは、第１主成分Ｙ_１（ｔ）と第２主成分Ｙ_２（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Ｇ_２１〜Ｇ_２４に分類する。

出現データ生成部５７５ｂは、各クラスタＧ_２１〜Ｇ_２４の出現データＰ_Ｃ（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Ｇ_２１〜Ｇ_２４の出現データＰ_Ｃ（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Ｇ_２１〜Ｇ_２４の出現データＰ_Ｃ（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_ｎ（ｔ）を複合的に考慮し、各クラスタＧ_２１〜Ｇ_２４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_１（ｔ）〜Ｙ_Ｘ（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_１（ｔ）〜Ｙ_Ｘ（ｔ）のうち、分散ｌ_１（ｔ）〜ｌ_Ｘ（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_１（ｔ）〜Ｚ_Ｘ（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_１（ｔ）〜Ｚ_Ｘ（ｔ）のうち、その分散ｌ_１（ｔ）〜ｌ_Ｘ（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。